งานของเราจะถูก AI แทนไหม? ประเมินจากสิ่งที่ทำจริง ก่อนตัดสินด้วยชื่อตำแหน่ง

เห็น AI เขียนรายงาน ตอบลูกค้า หรือสรุปเอกสารได้ในเวลาไม่นาน คนทำงานย่อมมีคำถามว่า แล้วบริษัทจะยังต้องการเราอยู่หรือไม่ โดยเฉพาะเมื่อสิ่งที่ระบบทำได้ดูคล้ายกับงานที่เราใช้เวลาทำอยู่ทุกวัน

คำตอบคือ AI อาจทำแทนภารกิจบางส่วน และอาจนำไปสู่การเปลี่ยนบทบาทหรือลดจำนวนคนในบางบริบท แต่ชื่อตำแหน่งเพียงอย่างเดียวบอกไม่ได้ว่าใครจะถูกแทนที่ การประเมินที่นำไปใช้ได้ต้องดูว่าเราทำอะไร งานนั้นมีเงื่อนไขแค่ไหน ระบบทำได้ถึงมาตรฐานหรือยัง และองค์กรนำเวลาที่ประหยัดได้ไปใช้อย่างไร

สำหรับพนักงาน วิธีคิดนี้ช่วยระบุว่าควรพัฒนาทักษะส่วนใดก่อน ส่วนหัวหน้าและ HR จะเห็นว่าควรออกแบบงานใหม่ตรงไหน โดยไม่ด่วนใช้ภาพสาธิตของเครื่องมือเป็นเหตุผลตัดสินเรื่องกำลังคน บทความนี้เน้น Generative AI หรือ AI ที่สร้างและประมวลผลเนื้อหา เช่น ข้อความ ภาพ และเสียง ส่วนระบบอัตโนมัติและหุ่นยนต์ประเภทอื่นต้องประเมินความสามารถเพิ่มเติมตามงานจริง

ทำไมต้องประเมินจากภารกิจ แทนการถามว่าอาชีพไหนจะหายไป

ตำแหน่งงานหนึ่งประกอบด้วยหลายภารกิจที่ใช้ความสามารถต่างกัน พนักงานบัญชีอาจต้องรับเอกสาร ตรวจความครบถ้วน กระทบยอด ติดตามข้อมูลที่ขาด และอธิบายรายการผิดปกติต่อผู้จัดการ แม้ทั้งหมดอยู่ในตำแหน่งเดียวกัน แต่ความเหมาะสมที่จะให้ AI ช่วยย่อมแตกต่างกัน

การดึงวันที่จากเอกสารที่มีรูปแบบสม่ำเสมอกับการตัดสินว่ารายการหนึ่งมีเหตุผลทางธุรกิจหรือไม่ เป็นคนละปัญหา งานแรกอาจกำหนดข้อมูลนำเข้าและคำตอบที่ถูกต้องได้ชัดเจน ส่วนงานหลังอาจต้องใช้ข้อเท็จจริงเพิ่มเติมจากหลายฝ่าย รวมถึงประสบการณ์เกี่ยวกับบริษัทนั้นโดยเฉพาะ

แม้เป็นพนักงานบัญชีเหมือนกัน คนหนึ่งอาจใช้เวลาส่วนใหญ่รวบรวมข้อมูล ขณะที่อีกคนรับผิดชอบแก้รายการผิดปกติและปรับปรุงการควบคุมภายใน การบอกว่า “งานบัญชีเสี่ยง” จึงกว้างเกินกว่าจะช่วยทั้งสองคนวางแผนได้

คำถามเริ่มต้นที่มีประโยชน์กว่าคือ “ในหนึ่งสัปดาห์ ฉันใช้เวลากับภารกิจใด และถ้าจะส่งต่อให้ระบบทำ ต้องให้ข้อมูล กติกา และการตรวจสอบอะไรบ้าง”

งานวิจัยบอกอะไร และอะไรที่ยังสรุปไม่ได้

รายงานขององค์การแรงงานระหว่างประเทศ หรือ ILO ร่วมกับ NASK เผยแพร่เมื่อวันที่ 20 พฤษภาคม 2025 ประเมินว่า ผู้มีงานทำทั่วโลกราวหนึ่งในสี่อยู่ในอาชีพที่มีโอกาสได้รับผลจาก Generative AI ในระดับหนึ่ง โดยกลุ่มงานเสมียนและธุรการมีระดับการสัมผัสกับเทคโนโลยีนี้สูงที่สุด รายงานใช้ข้อมูลระดับภารกิจประกอบการประเมิน ไม่ได้อาศัยชื่อตำแหน่งอย่างเดียว รายงาน ILO: Generative AI and Jobs

ตัวเลขดังกล่าวเป็นการประเมิน โอกาสที่เทคโนโลยีจะเข้ามามีบทบาท หรือ exposure ไม่ใช่จำนวนคนที่ถูกเลิกจ้าง และไม่ใช่คำทำนายว่าหนึ่งในสี่ของแรงงานไทยจะตกงาน ILO ระบุว่าการเปลี่ยนรูปแบบงานเป็นผลที่มีแนวโน้มเกิดขึ้นมากกว่าการแทนที่ทั้งตำแหน่ง โดยการนำไปใช้จริงยังแตกต่างตามข้อจำกัดทางเทคโนโลยี โครงสร้างพื้นฐาน และทักษะ คำอธิบายผลการศึกษาจาก ILO–NASK

งานวิจัยอีกชิ้นในวารสาร Organization Science เผยแพร่ในปี 2026 ศึกษาการใช้ AI กับงานที่ปรึกษาธุรกิจ พบว่าการช่วยงานของ AI ให้ผลไม่สม่ำเสมอ บางภารกิจผู้ใช้ทำได้ดีขึ้น แต่บางภารกิจที่อยู่นอกขอบเขตความสามารถของระบบกลับทำให้คำตอบแย่ลง แม้งานเหล่านั้นดูมีความยากใกล้เคียงกันสำหรับมนุษย์ ผลนี้มาจากเครื่องมือและเงื่อนไขในการทดลอง จึงไม่ใช่คะแนนความสามารถของ AI ทุกระบบในปัจจุบัน งานวิจัย Navigating the Jagged Technological Frontier

ข้อเสนอเชิงปฏิบัติที่ได้จากหลักฐานเหล่านี้คือ ควรทดลองกับภารกิจของตนเองและวัดผลถึงชิ้นงานที่ใช้งานได้จริง การเห็น AI ทำตัวอย่างหนึ่งสำเร็จยังไม่เพียงพอที่จะสรุปว่าระบบจะรับผิดชอบงานทั้งหมดได้

แยกให้ออกระหว่าง AI ช่วยงาน ทำงานอัตโนมัติ และลดตำแหน่งงาน

AI ช่วยงาน หมายถึงคนยังทำภารกิจนั้นอยู่ แต่มีเครื่องมือช่วยบางช่วง เช่น ร่างอีเมล สรุปประเด็น หรือเสนอแนวทางวิเคราะห์ คนยังต้องตั้งโจทย์ ตรวจข้อมูล และรับรองผลลัพธ์ก่อนนำไปใช้

การทำงานอัตโนมัติ หมายถึงระบบดำเนินภารกิจที่กำหนดไว้ได้ต่อเนื่องภายใต้เงื่อนไขที่ยอมรับ เช่น จัดหมวดคำร้องที่เข้ามาและส่งต่อหน่วยงานตามกติกา โดยมีช่องทางให้คนจัดการกรณีผิดปกติ การทำได้ลักษณะนี้อาจต้องเชื่อม AI เข้ากับฐานข้อมูลและระบบงานอื่น ไม่ใช่แค่เปิดหน้าสนทนาแล้วพิมพ์คำสั่ง

การลดหรือยุบตำแหน่ง เป็นการตัดสินใจเรื่องกำลังคน ซึ่งขึ้นอยู่กับปริมาณงาน ต้นทุน คุณภาพ เป้าหมายธุรกิจ และการจัดงานใหม่ บริษัทอาจใช้เวลาที่ประหยัดได้รองรับลูกค้ามากขึ้น ลดงานล่วงเวลา หรือชะลอการรับคนเพิ่ม ขณะที่บางแห่งอาจรวมหน้าที่และลดจำนวนคน

การที่ยังต้องมีคนตรวจงานจึงไม่ได้รับประกันว่าจำนวนพนักงานจะเท่าเดิม หากปริมาณงานคงที่และทีมเล็กลงยังทำงานได้ถึงมาตรฐาน องค์กรอาจปรับกำลังคนได้เช่นกัน ประเด็นที่ต้องติดตามจึงรวมถึงทิศทางธุรกิจและการออกแบบงานด้วย

เริ่มประเมินงานของตัวเองด้วยการบันทึกภารกิจจริง

เลือกบันทึกงานประมาณหนึ่งถึงสองสัปดาห์ แล้วเติมภารกิจที่เกิดเป็นรายเดือนหรือเป็นฤดูกาล เช่น ปิดบัญชี จัดงานแสดงสินค้า หรือประเมินผลงานประจำปี ระยะเวลานี้เป็นข้อเสนอสำหรับเริ่มต้น ไม่ใช่เกณฑ์วิจัยตายตัว และควรขยายหากยังไม่ครอบคลุมลักษณะงาน

เขียนแต่ละภารกิจให้เห็นการกระทำและผลลัพธ์ เช่น “ตรวจยอดคำสั่งซื้อจากสามช่องทางและรวบรวมรายการที่ไม่ตรงกัน” จะประเมินได้ชัดกว่า “ดูแลงานขายออนไลน์” ส่วนคำว่า “ประสานงาน” ควรระบุว่าประสานกับใคร เพื่อแก้ปัญหาอะไร และงานสิ้นสุดเมื่อใด

สำหรับแต่ละภารกิจ ให้จดข้อมูลห้ารายการต่อไปนี้

1. เวลาและความถี่: ทำกี่ครั้ง ใช้เวลารวมเท่าไร รวมเวลาตรวจและแก้ไขด้วย
2. ข้อมูลนำเข้า: ต้องอ่านเอกสาร ใช้ระบบ หรือสอบถามใครบ้าง
3. มาตรฐานงานสำเร็จ: ต้องถูกต้อง ครบถ้วน และทันเวลาในระดับใด
4. กรณียกเว้น: มีเรื่องใดที่ทำตามขั้นตอนปกติไม่ได้ และต้องให้ใครตัดสินใจ
5. ผลกระทบเมื่อผิด: ทำให้เสียเวลา เสียเงิน เสียลูกค้า หรือกระทบสิทธิของใครบ้าง

อย่าบันทึกเฉพาะงานที่มองเห็นง่าย งานตามข้อมูลที่ขาด แก้ความเข้าใจผิด หรือประสานให้ฝ่ายอื่นยอมรับเงื่อนไข อาจเป็นส่วนสำคัญที่ไม่ปรากฏอยู่ในรายงานผลงาน แต่จำเป็นต่อการทำให้งานเสร็จจริง

ใช้คำถามหกข้อดูว่าแต่ละภารกิจเหมาะให้ AI ทำแค่ไหน

คำถามต่อไปนี้เป็นกรอบประเมินเบื้องต้นสำหรับใช้งานจริง ไม่ใช่แบบทดสอบที่คำนวณโอกาสตกงาน และไม่ควรนำคำตอบมารวมเป็นเปอร์เซ็นต์ความเสี่ยงโดยไม่มีหลักฐานรองรับ

1. ข้อมูลพร้อมให้ระบบใช้งานหรือยัง

ข้อมูลต้องอยู่ในรูปแบบที่ระบบอ่านได้ มีความครบถ้วน และเข้าถึงได้อย่างเหมาะสม หากข้อเท็จจริงสำคัญกระจายอยู่ในข้อความส่วนตัว เอกสารกระดาษ และความทรงจำของคนหลายฝ่าย การให้ AI ทำงานอาจต้องเริ่มจากจัดระเบียบข้อมูลก่อน

คำถามจึงไม่ใช่เพียงว่า AI อ่านเอกสารได้หรือไม่ แต่รวมถึงใครจะจัดหาเอกสารฉบับที่ถูกต้อง ตรวจเวอร์ชัน และรับรองว่าระบบมีข้อมูลที่จำเป็นครบแล้ว

2. กติกาและคำตอบที่ยอมรับชัดเจนเพียงใด

งานที่กำหนดเงื่อนไขได้ชัด เช่น ตรวจว่าฟอร์มกรอกข้อมูลครบหรือไม่ เหมาะจะนำมาทดลองก่อนงานที่ต้องตีความหลายชั้น หากคำตอบเปลี่ยนตามลูกค้า สถานการณ์ หรือข้อยกเว้น ต้องทำให้ระบบรู้ว่าจะหยุดและส่งต่อให้คนเมื่อใด

บางภารกิจอาจใช้สูตรหรือระบบอัตโนมัติธรรมดาได้ตรงกว่า AI เช่น คำนวณยอดรวมจากข้อมูลที่มีโครงสร้าง เป้าหมายคือเลือกวิธีที่เชื่อถือได้และคุ้มค่า ไม่จำเป็นต้องใช้ AI กับทุกขั้นตอน

3. ตรวจความถูกต้องได้ด้วยอะไร

ต้องมีหลักฐานสำหรับตรวจคำตอบ เช่น เอกสารต้นทาง ฐานข้อมูลที่เชื่อถือได้ หรือเกณฑ์คุณภาพที่ผู้รับงานยอมรับ ข้อความที่อ่านลื่นและดูมั่นใจอาจยังมีข้อผิดพลาดอยู่

NIST ระบุความเสี่ยงเรื่องการสร้างข้อมูลที่ผิดหรือชวนให้เข้าใจผิด รวมถึงความเสี่ยงจากการพึ่งพาระบบมากเกินไปไว้ในแนวทางด้าน Generative AI ดังนั้นขั้นตอนตรวจสอบต้องถูกนับเป็นส่วนหนึ่งของการทำงาน NIST: Generative Artificial Intelligence Profile

4. ถ้าผิด จะเสียหายเพียงใด

การจัดรูปแบบบันทึกภายในผิดกับการแจ้งยอดชำระลูกค้าผิดมีผลกระทบต่างกัน ภารกิจที่กระทบการเงิน ความปลอดภัย หรือสิทธิของบุคคลควรกำหนดผู้ตรวจและอำนาจอนุมัติอย่างชัดเจนก่อนทดลองใช้งานจริง

แม้ระบบตอบถูกบ่อย ก็ต้องดูว่าพลาดในเรื่องใด หากความผิดพลาดเพียงครั้งเดียวสร้างความเสียหายร้ายแรง ค่าเฉลี่ยความถูกต้องอาจไม่เพียงพอสำหรับการตัดสินใจ

5. ต้องใช้บริบท ความไว้วางใจ หรือการลงมือในสถานที่จริงแค่ไหน

งานเจรจาข้อขัดแย้ง ตรวจสินค้าหน้างาน หรือรับมือเหตุที่ไม่ได้อยู่ในคู่มือ ต้องประเมินส่วนที่ระบบทำได้และส่วนที่ต้องอาศัยคนแยกกัน AI อาจช่วยเตรียมข้อมูลหรือเสนอทางเลือก แต่การดำเนินการให้เกิดผลต้องพิจารณาเงื่อนไขของงานจริง

อย่างไรก็ตาม การมีทักษะสื่อสารหรือทำงานหน้างานไม่ได้ทำให้ปลอดภัยจากการเปลี่ยนแปลงทั้งหมด งานเอกสารและการวางแผนรอบภารกิจเหล่านั้นยังอาจถูกปรับได้ และหุ่นยนต์หรือระบบเฉพาะทางก็ต้องประเมินแยกจาก Generative AI

6. ทำซ้ำได้คุ้มค่าในระบบจริงหรือไม่

อย่านับเฉพาะเวลาที่ AI สร้างคำตอบ ต้องรวมเวลาเตรียมข้อมูล ตรวจแก้ เชื่อมระบบ ดูแลสิทธิ์การเข้าถึง และแก้เหตุขัดข้อง ตลอดจนค่าเครื่องมือและการฝึกอบรม

หากงานเกิดนาน ๆ ครั้งหรือต้องแก้ผลลัพธ์ใหม่เกือบทั้งหมด ความสามารถทางเทคนิคอาจยังไม่คุ้มกับการนำมาใช้ ในทางกลับกัน งานปริมาณมากที่มีกติกาชัดอาจให้ประโยชน์มาก แม้ประหยัดเวลาได้เพียงเล็กน้อยต่อรายการ

แบ่งภารกิจเป็นสามกลุ่ม แล้วเลือกสิ่งที่จะทำต่อ

หลังตอบคำถาม ให้จัดภารกิจเป็นกลุ่มเพื่อกำหนดวิธีทำงาน โดยระบุเหตุผลและหลักฐานที่มีประกอบทุกครั้ง

กลุ่มที่หนึ่ง: ทดลองให้ระบบทำภายใต้เงื่อนไขที่ชัดเจน เหมาะกับงานที่ข้อมูลพร้อม กติกาชัด ตรวจผลได้ และผลเสียควบคุมได้ เช่น จัดรูปแบบข้อมูลหรือแยกคำร้องตามหัวข้อ เริ่มจากให้คนตรวจผลก่อน แล้วค่อยพิจารณาลดระดับการตรวจตามหลักฐานที่เพียงพอ

กลุ่มที่สอง: ใช้ AI ช่วย แต่คนรับผิดชอบการตัดสินใจ เช่น ร่างคำอธิบายรายงานยอดขาย เตรียมคำถามสัมภาษณ์ หรือร่างคำตอบข้อร้องเรียน คนต้องตรวจข้อมูล พิจารณาบริบท และอนุมัติสิ่งที่จะส่งต่อ

กลุ่มที่สาม: ให้คนดำเนินการเป็นหลักในเงื่อนไขปัจจุบัน เช่น จัดการข้อขัดแย้งที่ข้อมูลยังไม่ครบ หรือตรวจเหตุผิดปกติในสถานที่จริง อาจใช้ AI ช่วยเตรียมเอกสารได้ แต่ยังไม่ควรเหมารวมว่าระบบรับผิดชอบภารกิจหลักได้แล้ว

หากยังไม่มีข้อมูลพอ ให้ระบุว่า “ยังประเมินไม่ได้” และกำหนดว่าจะทดสอบอะไรเพิ่มเติม ไม่จำเป็นต้องฝืนจัดทุกงานเข้ากลุ่มทันที ผลการจัดกลุ่มควรถูกทบทวนเมื่อเครื่องมือ ข้อมูล หรือกระบวนการทำงานเปลี่ยนไป

ตัวอย่างการประเมินจากงานบัญชี HR ฝ่ายขาย และคอนเทนต์

ตัวอย่างต่อไปนี้เป็นสถานการณ์สมมติเพื่อแสดงวิธีคิด ไม่ใช่อันดับอาชีพเสี่ยง และไม่ใช่การรับรองว่าเครื่องมือใดทำงานเหล่านี้ได้ถึงมาตรฐานของทุกบริษัท

งานบัญชี: แยกการเตรียมข้อมูลออกจากการพิจารณารายการผิดปกติ

อาจทดลองให้ระบบช่วยอ่านข้อมูลจากเอกสารและเสนอรายการที่ยอดไม่ตรงกัน โดยเทียบผลกับต้นฉบับ จากนั้นให้ผู้รับผิดชอบหาสาเหตุ ตรวจหลักฐานเพิ่มเติม และพิจารณาวิธีจัดการรายการนั้น

ทักษะที่ควรพัฒนาจึงรวมถึงการตรวจคุณภาพข้อมูล การเข้าใจกระบวนการธุรกิจ และการอธิบายเหตุผิดปกติอย่างมีหลักฐาน ความเร็วในการกรอกข้อมูลเพียงอย่างเดียวอาจไม่สะท้อนคุณค่าทั้งหมดของผู้ทำงานบัญชี

งาน HR: แยกงานเตรียมเอกสารออกจากการประเมินคน

อาจใช้ AI ร่างประกาศงานจากรายละเอียดที่หัวหน้างานยืนยัน หรือจัดชุดคำถามสัมภาษณ์ตามสมรรถนะที่ต้องการ แต่ผู้รับผิดชอบต้องตรวจว่าคำถามเกี่ยวข้องกับงานจริง และใช้หลักฐานที่เหมาะสมในการประเมินผู้สมัคร

ก่อนนำข้อมูลผู้สมัครเข้าเครื่องมือ ควรตรวจนโยบายองค์กรและเงื่อนไขการใช้ข้อมูลกับผู้รับผิดชอบ เลือกใช้ข้อมูลจำลองหรือข้อมูลที่ได้รับอนุญาตสำหรับการทดลอง การลบชื่ออย่างเดียวอาจไม่เพียงพอ หากรายละเอียดอื่นยังระบุตัวบุคคลได้

งานขายและบริการลูกค้า: แยกคำตอบมาตรฐานออกจากการรับผิดชอบความสัมพันธ์

อาจให้ระบบช่วยร่างคำตอบจากข้อมูลสินค้าที่อนุมัติแล้วหรือสรุปประวัติการติดต่อ แต่ต้องกำหนดให้ส่งต่อคนเมื่อเจอเรื่องส่วนลดนอกเงื่อนไข ข้อร้องเรียนซ้ำ หรือคำมั่นที่บริษัทต้องรับผิดชอบ

ฝ่ายขายควรฝึกค้นหาความต้องการที่แท้จริง ตรวจความเป็นไปได้ก่อนรับปาก และติดตามให้ลูกค้าได้รับสิ่งที่ตกลง การมีร่างข้อความเร็วขึ้นจะมีคุณค่าก็ต่อเมื่อช่วยให้งานขายหรือบริการสำเร็จอย่างมีคุณภาพ

งานคอนเทนต์และการตลาด: แยกการผลิตข้อความออกจากการหาประเด็นและพิสูจน์ผล

อาจใช้ AI ช่วยเสนอหัวข้อ จัดโครงเรื่อง หรือทำร่างหลายแนวทาง แล้วให้ผู้รับผิดชอบตรวจแหล่งข้อมูล สัมภาษณ์ผู้เกี่ยวข้อง และเลือกสิ่งที่ตอบความต้องการผู้อ่านจริง

การพัฒนาทักษะควรครอบคลุมการค้นคว้าต้นทาง การเก็บข้อมูลเฉพาะของธุรกิจ และการวัดผลตามเป้าหมาย การผลิตบทความจำนวนมากขึ้นโดยยังไม่รู้ว่าผู้อ่านได้ประโยชน์หรือธุรกิจได้ผลอะไร อาจเป็นเพียงการเพิ่มปริมาณงาน

ดูสัดส่วนเวลาให้ถูก อย่าแปลงเป็นเปอร์เซ็นต์โอกาสตกงาน

การนับจำนวนภารกิจอาจทำให้เข้าใจผิด เพราะงานสิบอย่างไม่ได้ใช้เวลาเท่ากัน ภารกิจที่ใช้เวลามากควรถูกพิจารณาควบคู่กับความสำคัญและผลเสียเมื่อผิดพลาด ส่วนงานที่ทำน้อยแต่มีความรับผิดชอบสูงก็ไม่ควรถูกมองข้าม

ใช้สูตรพื้นฐานเพื่อหาจุดเริ่มต้นในการทดลองได้ดังนี้

สัดส่วนเวลาของภารกิจ = เวลาที่ใช้กับภารกิจนั้น ÷ เวลาทำงานรวมในช่วงเดียวกัน × 100

สมมติพนักงานทำงานรวม 50 ชั่วโมงต่อสัปดาห์ และใช้เวลาเตรียมรายงาน 8 ชั่วโมง ภารกิจนี้คิดเป็น 16% ของเวลาทั้งหมด หากทดลองใช้ AI แล้วเวลาเตรียม ตรวจ และแก้รายงานรวมเหลือ 3 ชั่วโมง จะประหยัดได้ 5 ชั่วโมง หรือ 10% ของเวลาทำงานรวม

ผลนี้บอกเพียงว่า ในเงื่อนไขทดลองนั้นมีเวลาว่างเพิ่มขึ้นเท่าไร ไม่ได้แปลว่าพนักงานมีโอกาสถูกเลิกจ้าง 10% หรือบริษัทลดคนได้ทันที 10% ต้องดูว่าชั่วโมงที่ประหยัดได้นำไปจัดสรรใหม่ได้จริงหรือไม่ งานคงเหลือกระจายอย่างไร และยังต้องมีคนรองรับช่วงงานหนาแน่นแค่ไหน

ทดลองใช้ AI อย่างไรให้รู้ว่าช่วยงานจริง

เลือกหนึ่งภารกิจที่เกิดซ้ำ มีมาตรฐานชัด และใช้ข้อมูลได้อย่างเหมาะสม บันทึกเวลาทำแบบเดิมและข้อผิดพลาดก่อน จากนั้นทดลองกับทั้งกรณีปกติและกรณีที่ข้อมูลไม่ครบหรือมีข้อยกเว้น อย่าเลือกเฉพาะตัวอย่างที่ระบบทำได้ง่าย

วัดผลอย่างน้อยสี่ด้าน ได้แก่ เวลารวมจนงานพร้อมใช้ ความถูกต้องตามเกณฑ์ ปริมาณงานที่ต้องแก้ และผลต่อผู้รับงาน หากงานออกเร็วขึ้นแต่หัวหน้าต้องใช้เวลาตรวจเพิ่มมาก ประโยชน์สุทธิอาจน้อยกว่าที่เห็นจากฝั่งผู้สร้างงาน

เวลาที่ประหยัดได้สุทธิ = เวลาเดิมจนงานพร้อมใช้ − เวลารวมเมื่อใช้ AI จนงานพร้อมใช้

ตัวอย่างสมมติ งานหนึ่งเดิมใช้ 60 นาที เมื่อใช้ AI ต้องเตรียมข้อมูล 10 นาที สั่งงานและรอผล 5 นาที ตรวจแก้ 20 นาที และจัดส่ง 5 นาที รวมเป็น 40 นาที จึงประหยัดสุทธิ 20 นาที ไม่ใช่ 55 นาทีที่ได้จากการนับเฉพาะช่วงสร้างคำตอบ

สำหรับหัวหน้าทีม ควรรวมเวลาเตรียมระบบและการดูแลต่อเนื่องในการประเมินต้นทุนด้วย หากพบความผิดพลาดสำคัญ ให้หยุดขยายการใช้งานและแก้สาเหตุก่อน ผลทดลองที่ดีต้องแสดงทั้งสิ่งที่ระบบทำได้และเงื่อนไขที่ยังทำไม่ได้

พนักงานควรพัฒนาทักษะอะไร หลังรู้ว่างานส่วนไหนเปลี่ยนได้

เริ่มจากเลือกภารกิจที่มีน้ำหนักต่อบทบาทของตนเอง แล้วพัฒนาทักษะให้สอดคล้องกับจุดที่งานยังติดขัด ตัวอย่างเช่น หากระบบเตรียมรายงานได้เร็ว แต่ทีมยังตีความข้อมูลผิด ทักษะวิเคราะห์และตรวจเหตุผลจะมีประโยชน์กว่าการฝึกสร้างรายงานเพิ่มอีกหลายรูปแบบ

ทักษะที่ควรพิจารณาประกอบกันคือ ความรู้ในสายงาน การตั้งโจทย์ให้ชัด การตรวจสอบผลลัพธ์ และการประสานให้ข้อเสนอเกิดผลจริง การใช้ AI เป็นควรหมายถึงรู้ว่าจะใช้กับอะไร ตรวจอย่างไร และเมื่อใดควรหยุดใช้ ไม่ใช่เพียงพิมพ์คำสั่งได้คล่อง

แผนเริ่มต้นหนึ่งเดือนอาจแบ่งเป็นสัปดาห์แรกบันทึกภารกิจ สัปดาห์ที่สองเลือกงานทดลอง สัปดาห์ที่สามวัดผลและปรับขั้นตอน และสัปดาห์สุดท้ายคุยกับหัวหน้าเรื่องนำเวลาที่ได้คืนไปทำงานที่ทีมยังขาด ระบุผลงานเป้าหมายให้ชัด เช่น ลดรายการผิดซ้ำหรือติดตามลูกค้าที่ตกหล่น

หากกำลังหางาน ควรอธิบายในเรซูเม่หรือสัมภาษณ์ด้วยตัวอย่างที่ตรวจสอบได้ว่าใช้เครื่องมือกับภารกิจใด ตรวจงานอย่างไร และเกิดผลอะไร ไม่จำเป็นต้องอ้างตัวเลขหากยังไม่ได้วัด และไม่ควรนำเอกสารลับของนายจ้างมาแสดงเป็นผลงาน

นายจ้างและ HR ควรใช้ผลประเมินออกแบบงานใหม่อย่างไร

ให้เจ้าของกระบวนการ พนักงานที่ทำงานจริง และ HR ร่วมกันทบทวนภารกิจ โดยมีฝ่ายเทคโนโลยีหรือผู้ดูแลข้อมูลช่วยตรวจความพร้อมตามความจำเป็น ผู้ปฏิบัติงานมักรู้กรณียกเว้นที่ไม่มีอยู่ในคู่มือ ขณะที่ผู้จัดการเห็นความเชื่อมโยงกับต้นทุนและเป้าหมายธุรกิจ

ก่อนขยายการใช้งาน ควรตกลงว่าใครตรวจผล ใครอนุมัติ ใครรับเรื่องเมื่อระบบผิด และพนักงานต้องได้รับการฝึกอะไร ปรับ JD และ KPI ให้สะท้อนงานใหม่ เช่น จากวัดจำนวนเอกสารที่ทำได้อย่างเดียว เป็นวัดความถูกต้อง ระยะเวลาจบงาน และอัตรางานที่ถูกส่งกลับมาแก้

ควรวางแผนให้พนักงานใหม่ยังได้เรียนรู้พื้นฐาน หากระบบรับงานเริ่มต้นไปทั้งหมด องค์กรต้องมีวิธีสอนการตรวจเหตุผลและจัดการข้อผิดพลาด เช่น ฝึกกับกรณีตัวอย่างและให้ผู้มีประสบการณ์ทบทวน ไม่ควรตั้งสมมติฐานว่าผู้ใช้จะตรวจ AI ได้ดีโดยไม่เข้าใจงานนั้นมาก่อน

การประเมินระดับภารกิจเป็นข้อมูลสำหรับจัดงานและพัฒนาคน ส่วนการตัดสินใจเรื่องจำนวนพนักงานต้องพิจารณางานทั้งกระบวนการและทิศทางธุรกิจร่วมกัน การเห็นเวลาในขั้นตอนหนึ่งลดลงยังไม่เพียงพอสำหรับสรุปว่าทั้งหน่วยงานใช้คนน้อยลงได้โดยไม่กระทบคุณภาพ

คำถามที่พบบ่อยเกี่ยวกับ AI แทนงาน

1. งานที่ทำซ้ำทุกวันจะถูก AI แทนทั้งหมดหรือไม่

ไม่จำเป็น ต้องดูว่าข้อมูลพร้อม กติกาชัด ระบบทำได้ถึงมาตรฐาน และต้นทุนรวมคุ้มค่าหรือไม่ งานบางอย่างเกิดซ้ำแต่มีข้อยกเว้นมาก ขณะที่งานบางประเภทใช้ระบบอัตโนมัติธรรมดาได้เหมาะกว่า AI

2. ทำงานมานานจะเสี่ยงน้อยกว่าคนเพิ่งเริ่มงานหรือไม่

อายุงานเพียงอย่างเดียวบอกไม่ได้ ประสบการณ์มีประโยชน์เมื่อช่วยตรวจข้อผิดพลาด เข้าใจบริบท และแก้ปัญหาได้ แต่ต้องดูด้วยว่าภารกิจที่รับผิดชอบเปลี่ยนไปอย่างไร และสามารถนำประสบการณ์นั้นมาใช้กับวิธีทำงานใหม่ได้หรือไม่

3. เรียนใช้ AI แล้วจะมั่นใจได้หรือไม่ว่าจะไม่ตกงาน

รับประกันไม่ได้ เพราะการจ้างงานยังขึ้นอยู่กับภาวะธุรกิจและการจัดองค์กร การเรียนควรเชื่อมกับผลงานจริง พร้อมพัฒนาความรู้ในสายงานและการตรวจสอบคุณภาพไปด้วย

4. ให้ AI ประเมินความเสี่ยงของอาชีพเราได้หรือไม่

ใช้ช่วยแตกภารกิจและตั้งคำถามได้ แต่ไม่ควรเชื่อเปอร์เซ็นต์ความเสี่ยงที่ไม่มีวิธีคำนวณและข้อมูลรองรับ ควรให้ระบบแยกข้อเท็จจริง สมมติฐาน และสิ่งที่ต้องทดลอง แล้วตรวจเทียบกับงานจริงของตนเอง

5. ถ้าบริษัทไม่มีนโยบายใช้ AI ควรเริ่มอย่างไร

เริ่มจากถามหัวหน้าหรือผู้รับผิดชอบว่าใช้เครื่องมือใดและข้อมูลประเภทใดได้บ้าง ระหว่างที่ยังไม่ชัดเจน สามารถฝึกกับข้อมูลจำลองหรือข้อมูลสาธารณะที่เหมาะสม พร้อมเสนอภารกิจทดลองและเกณฑ์วัดผลให้พิจารณา

6. ควรเปลี่ยนสายงานทันทีเมื่อเห็นว่า AI ทำงานบางส่วนได้หรือไม่

ควรประเมินก่อนว่าส่วนที่เปลี่ยนได้มีน้ำหนักต่อบทบาทเท่าไร และมีทางขยับไปทำภารกิจอื่นที่ต้องการทักษะเดิมหรือไม่ หากจะเปลี่ยนสายงาน ให้ตรวจประกาศรับสมัครจริงและทดลองเรียนหรือทำโครงการเล็กก่อนตัดสินใจลงทุนมาก

จุดเริ่มต้นที่ทำได้ทันทีคือ เลือกภารกิจที่ใช้เวลามากหนึ่งอย่าง จดขั้นตอนและมาตรฐานงาน แล้วทดลองวัดผลจนถึงชิ้นงานที่พร้อมใช้ ข้อมูลนี้จะช่วยให้คุยเรื่องทักษะ บทบาท และอนาคตการทำงานได้ชัดกว่าการเดาจากชื่อตำแหน่งเพียงอย่างเดียว