True บอก AI จะเปลี่ยนโครงสร้างงาน มากกว่าลดจำนวนคน

ในบทความของ True วันที่ 22 ตุลาคม 2569 ซิกเว่ เบรกเก้ ประธานคณะผู้บริหารกลุ่ม True Corporation อธิบายว่า AI ทำให้องค์กรต้องทบทวนการแบ่งงาน การจัดสรรทรัพยากร และอำนาจตัดสินใจ มากกว่าจับตาเพียงจำนวนตำแหน่งที่อาจหายไป โดยยกโมเดล Nano Cluster ซึ่งแบ่งตลาดไทยเป็นพื้นที่ย่อยราว 6,000 แห่ง แต่ละพื้นที่มีเป้าหมายและงบประมาณของตนเอง เป็นตัวอย่างของการย้ายข้อมูลและอำนาจบางส่วนไปใกล้ลูกค้า ผลที่พนักงานอาจสัมผัสได้จึงเป็นขอบเขตหน้าที่ใหม่ ทั้งงานที่ระบบช่วยทำ งานที่คนต้องตรวจ และเรื่องที่ผู้จัดการพื้นที่ตัดสินใจได้เอง

ในรายงาน Nation Forum 2027 วันที่ 20 ตุลาคม 2569 เวทิต โชควัฒนา ประธานกรรมการบริหารและกรรมการผู้อำนวยการ บริษัท สหพัฒนพิบูล จำกัด (มหาชน) ย้ำนโยบายไม่ปลดพนักงานและเพิ่มความรู้เพื่อให้ใช้ AI ได้อย่างมั่นใจ ขณะที่ศิริวัฒน์ วงศ์จารุกร ผู้บริหาร MFEC เตือนว่า “If AI is used merely as an add-on to existing processes, it will not create a business impact.” สองมุมมองนี้ทำให้คำถามสำหรับทีมงานไทยเจาะจงขึ้น: งานส่วนใดควรเปลี่ยน วิธีตรวจคำตอบควรอยู่กับใคร และใครมีสิทธิ์ลงมือเมื่อข้อมูลพร้อม

True ย้ายอำนาจบางส่วนไปใกล้ลูกค้า

โมเดล Nano Cluster แสดงความต่างระหว่างการซื้อเครื่องมือ AI กับการเปลี่ยนวิธีบริหารงาน พื้นที่ย่อยมีเป้าหมายและงบประมาณของตน ผู้จัดการท้องถิ่นเข้าถึงข้อมูลลูกค้า คู่แข่ง และผลการดำเนินงาน ประกอบกับข้อเสนอที่ AI ช่วยสร้างขึ้น เมื่อข้อมูลที่เคยรวมอยู่ส่วนกลางไปถึงคนรับผิดชอบพื้นที่ การตัดสินใจเรื่องสภาพตลาดเฉพาะถิ่นจึงไม่จำเป็นต้องรอการส่งเรื่องทุกครั้ง เส้นแบ่งสำคัญคืออำนาจที่องค์กรมอบให้คนหน้างานใช้ข้อมูลนั้นจริง

ระบบข้อมูลธุรกิจที่ True กำลังพัฒนาจะนำยอดขาย รายได้ ต้นทุน และประสิทธิภาพเครือข่ายมาประกอบเป็นคำแนะนำสำหรับการทำงาน สถานะนี้ยังเป็นการพัฒนา ไม่ใช่หลักฐานว่าระบบตัดสินใจแทนผู้จัดการ หรือว่าทุกพื้นที่ใช้วิธีเดียวกันแล้ว ความแตกต่างระหว่างสองสถานะมีผลต่อคนทำงาน: คำแนะนำอาจมาถึงเร็วขึ้น แต่ความรับผิดชอบต่อการเลือกและผลลัพธ์ยังต้องระบุให้ชัดในสายงานจริง

หากผู้จัดการพื้นที่เห็นว่าความต้องการลูกค้าเปลี่ยน แต่ตัวเลขภาพรวมของบริษัทดูปกติ ข้อมูลระดับพื้นที่จะช่วยชี้ปัญหาที่ค่าเฉลี่ยกลบไว้ นี่เป็นตัวอย่างเชิงเงื่อนไขของเหตุผลที่การกระจายข้อมูลมีค่า ไม่ใช่ผลทดสอบที่บริษัทเผยแพร่ การออกแบบงานต้องกำหนดด้วยว่าข้อเสนอใดใช้ตัดสินใจภายในงบประมาณที่มี ข้อเสนอใดกระทบหลายพื้นที่ และกรณีใดต้องขอความเห็นจากส่วนกลาง มิฉะนั้นข้อมูลอาจเดินทางเร็วกว่าอำนาจที่จะใช้มัน

ประเด็นเรื่องคุณค่าของงานยังต่างจากประเด็นเรื่องความเร็ว หาก AI ทำให้ทีมสรุปยอดขายได้ไวขึ้น แต่การตัดสินใจยังใช้คำตอบชุดเดิม ลูกค้าอาจไม่เห็นความเปลี่ยนแปลง การใช้ข้อมูลระดับพื้นที่มีความหมายเมื่อมันช่วยให้คนเห็นความต้องการที่ต่างกัน และเลือกการตอบสนองที่เหมาะกับพื้นที่นั้น นี่คือเหตุผลที่องค์กรต้องถามว่าข้อมูลช่วยเปลี่ยนสิ่งที่ทำให้ลูกค้าอย่างไร ไม่ใช่เพียงช่วยประหยัดเวลารวบรวมรายงานเท่าใด

การย้ายอำนาจให้พื้นที่มีผลต่อความเร็วได้ต่อเมื่อเป้าหมาย งบประมาณ และข้อมูลไม่ขัดกัน หากผู้จัดการได้รับคำแนะนำให้ตอบสนองความต้องการในพื้นที่ แต่ไม่รู้ว่าตัดสินใจใช้ทรัพยากรได้แค่ไหน งานก็ยังกลับไปอยู่ที่ส่วนกลาง เพียงมีข้อเสนอเพิ่มขึ้นก่อนส่งต่อ ความต่างระหว่างระบบที่แนะนำกับองค์กรที่อนุญาตให้ลงมือจึงเป็นหัวใจของโมเดลนี้ ส่วนการวัดผลไม่ควรนับเพียงจำนวนคำแนะนำที่สร้าง แต่ต้องดูการตัดสินใจที่เกิดขึ้นและคุณภาพของผลลัพธ์ด้วย

ด้านข้อมูล ตัวเลขยอดขายกับต้นทุนอาจมาจากช่วงเวลาและหน่วยงานต่างกัน ข้อมูลประสิทธิภาพเครือข่ายสะท้อนอีกมิติหนึ่งของบริการ ส่วนข้อมูลคู่แข่งมีความเกี่ยวข้องกับตลาดแต่ละพื้นที่ไม่เท่ากัน การรวมข้อมูลเหล่านี้ช่วยให้เห็นทางเลือกมากขึ้น ทว่าคนรับผิดชอบยังต้องรู้ว่าข้อมูลใดสดพอสำหรับการตัดสินใจ หากขาดรายละเอียดใดต้องสอบถามใคร ประเด็นนี้เป็นผลโดยตรงของการใช้ข้อมูลหลายประเภทประกอบคำแนะนำ ไม่ใช่ผลทดสอบคุณภาพระบบของบริษัท

การย้ายข้อมูลลงพื้นที่ยังเปลี่ยนความสัมพันธ์ระหว่างสำนักงานใหญ่กับหน้างาน ส่วนกลางอาจกำหนดมาตรฐานข้อมูล วิธีคำนวณ และกรอบการใช้เงิน เพื่อให้พื้นที่ต่างกันทำงานบนหลักเดียวกัน ขณะที่ผู้รับผิดชอบพื้นที่ตีความข้อเสนอให้เข้ากับลูกค้าและคู่แข่งของตน การแบ่งงานลักษณะนี้ต้องระบุจุดส่งกลับด้วย: หากข้อมูลในพื้นที่ผิดปกติ หรือข้อเสนอเกินงบที่มอบให้ คนหน้างานต้องรู้ว่าจะส่งเรื่องไปให้ใคร ไม่เช่นนั้นการกระจายอำนาจอาจกลายเป็นการกระจายความไม่ชัดเจน

การทำงานกับข้อมูลเครือข่ายยังทำให้การตัดสินใจในธุรกิจโทรคมนาคมมีบริบทเฉพาะ หากประสิทธิภาพบริการในพื้นที่ไม่สอดคล้องกับยอดขายหรือคำร้องของลูกค้า คำแนะนำที่ดูดีจากข้อมูลด้านเดียวอาจใช้ไม่ได้ ผู้จัดการจึงต้องมองข้อมูลหลายด้านพร้อมกัน และรู้ว่าเมื่อใดควรขอความเห็นจากผู้ดูแลเครือข่าย นี่เป็นตัวอย่างเชิงเงื่อนไขของการใช้ชุดข้อมูลที่บริษัทระบุ ไม่ใช่คำกล่าวว่าพื้นที่ใดมีปัญหาอยู่จริง

สำหรับพนักงานที่อยู่ใกล้ลูกค้า สิ่งที่เปลี่ยนไม่ใช่การได้เห็นข้อมูลมากขึ้นเท่านั้น แต่เป็นความคาดหวังต่อคำอธิบายของตน เมื่อมีข้อเสนอจากระบบ คนที่เลือกลงมือควรบอกได้ว่าเลือกเพราะสถานการณ์ใด ข้อมูลลูกค้าใดมีน้ำหนัก และอะไรทำให้ไม่เลือกทางอื่น นี่เป็นผลต่อบทบาทที่อนุมานจากการย้ายการตัดสินใจลงพื้นที่ ไม่ใช่ข้อบังคับการปฏิบัติงานที่ True ประกาศต่อสาธารณะ ความแตกต่างนี้สำคัญ เพราะการอ้างตัวอย่างบริษัทเป็นภาพของทุกทีมจะทำให้ผู้อ่านเข้าใจสถานะเกินจริง

ในทางปฏิบัติ ทีมพื้นที่อาจได้รับข้อมูลเร็วขึ้น แต่ยังต้องมีช่องทางถามกลับ เมื่อข้อมูลไม่ครบ หรือข้อเสนอขัดกับสิ่งที่พบจากลูกค้า หากไม่มีช่องทางดังกล่าว คนหน้างานอาจต้องเลือกระหว่างเชื่อระบบกับรอคำสั่งส่วนกลาง ทั้งสองทางลดประโยชน์ของการกระจายอำนาจ เพราะผู้ที่เห็นสถานการณ์จริงยังใช้ความรู้ของตนได้ไม่เต็มที่ งานใหม่จึงรวมการส่งสัญญาณว่าข้อมูลไม่พอไว้ด้วย ไม่ใช่เพียงการกดรับข้อเสนอที่ระบบสร้าง

ความชัดเจนของอำนาจยังช่วยลดการทำงานย้อนกลับ หากทีมพื้นที่ลงมือก่อนแล้วส่วนกลางพบว่าขัดกับกรอบงบหรือมาตรฐานงาน ต้องแก้การตัดสินใจที่เกิดขึ้นไปแล้ว การกำหนดขอบเขตก่อนใช้คำแนะนำจึงประหยัดเวลามากกว่าการเพิ่มความเร็วในการสร้างคำแนะนำเพียงอย่างเดียว

บทบาทผู้จัดการระดับกลางก็เปลี่ยนตาม เมื่อ AI ช่วยสรุปข้อมูลและประสานงานที่ทำซ้ำ คุณค่าของผู้จัดการจึงอยู่ที่การตีความเงื่อนไข กำหนดขอบเขตให้ทีม และรับผิดชอบการตัดสินใจมากขึ้น การลดชั้นการส่งต่อไม่จำเป็นต้องหมายถึงการตัดตำแหน่งออก แต่ทำให้ต้องอธิบายว่าตำแหน่งนั้นช่วยยกระดับคุณภาพการตัดสินใจตรงไหน หากหน้าที่เดิมมีเพียงส่งข้อมูลขึ้นลง องค์กรย่อมต้องออกแบบงานส่วนนั้นใหม่

สหพัฒน์รักษาคน ส่วน MFEC ต้องการเปลี่ยนขั้นตอน

นโยบายของสหพัฒน์ให้คำตอบด้านคนอย่างชัดเจน: บริษัทตั้งใจรักษาพนักงานไว้ แล้วเพิ่มทักษะในการทำงานกับ AI จุดที่ผู้บริหารย้ำคือความรู้ทางธุรกิจของพนักงานเดิมกับความคล่องเทคโนโลยีของคนรุ่นใหม่ต้องเชื่อมกัน ผู้มีประสบการณ์รู้ปัญหา แผนงาน และเงื่อนไขที่คำตอบต้องตอบ ส่วนผู้เริ่มงานอาจใช้เครื่องมือใหม่ได้คล่องกว่า หากไม่อธิบายโจทย์ด้วยภาษาที่ทั้งคู่เข้าใจ ความเร็วในการสร้างคำตอบก็อาจไม่ช่วยให้ตัดสินใจดีขึ้น

สองบริษัทเน้นคนละด้านของการเปลี่ยนผ่าน สหพัฒน์ให้หลักประกันด้านนโยบายบุคลากรและการพัฒนาความรู้ ส่วน MFEC เน้นว่าระบบงานต้องเปลี่ยนจึงจะเกิดผลทางธุรกิจ เมื่อนำสองด้านมาดูพร้อมกัน จะเห็นว่าการรักษาพนักงานไว้ไม่ได้ทำให้ขั้นตอนเดิมมีคุณค่าโดยอัตโนมัติ และการแก้ขั้นตอนก็ต้องมีคนที่เข้าใจธุรกิจรับผลของการตัดสินใจ การฝึกและการออกแบบกระบวนการจึงต้องเดินไปด้วยกันในระดับงาน ไม่ใช่อยู่คนละโครงการขององค์กร

คำยืนยันเรื่องไม่ปลดคนเป็นนโยบายของบริษัทนั้น ไม่ใช่ภาพรวมการจ้างงานของไทย และไม่ได้ทำให้หน้าที่เดิมคงอยู่ทุกขั้น ในองค์กรที่เลือกพัฒนาคนแทนการลดคน งานที่เคยใช้เวลาไปกับการรวบรวมข้อมูลอาจย้ายไปสู่การตั้งคำถาม ตรวจข้อเสนอ และสื่อสารเหตุผล การเปลี่ยนหน้าที่เช่นนี้ต้องมีทั้งเวลาฝึกและโอกาสทำงานจริง เพราะความมั่นใจต่อเครื่องมือเกิดจากการรู้ว่าผลลัพธ์ใช้ได้เมื่อใด และเมื่อใดควรหยุดก่อนลงมือ

การเปลี่ยนขั้นตอนอาจเริ่มจากงานที่มีการส่งต่อหลายมือ สมมติว่าทีมหนึ่งใช้ AI สรุปคำขอของลูกค้าได้ทันที แต่ยังต้องรอคนหลายระดับอ่านสรุปเดียวกันก่อนอนุมัติ เวลาที่ประหยัดจากการสรุปอาจหายไปในคิวอนุมัติเดิม สิ่งที่ต้องออกแบบจึงเป็นเกณฑ์ว่าเรื่องใดผู้รับผิดชอบคนแรกตัดสินใจได้ เรื่องใดต้องให้ผู้เชี่ยวชาญตรวจ และเรื่องใดมีผลกว้างจนควรยกระดับการตัดสินใจ ตัวอย่างนี้เป็นภาพสมมติของกลไก ไม่ใช่ขั้นตอนที่ MFEC เปิดเผยว่าใช้อยู่

ข้อสังเกตของ MFEC อยู่ที่ผลลัพธ์ทางธุรกิจ หากเพิ่ม AI เข้าไปในขั้นตอนรับโจทย์ ส่งต่อ ขออนุมัติ และตรวจงานแบบเดิมทุกอย่าง แต่ละขั้นอาจเร็วขึ้นโดยที่ลูกค้าไม่ได้รับคุณค่าเพิ่ม การเปลี่ยนกระบวนการจึงต้องถามว่าเหตุใดขั้นนั้นยังอยู่ ใครควรรับเรื่องต่อ และการอนุมัติแบบใดจำเป็นเมื่อข้อมูลพร้อมเร็วกว่าก่อน ผู้บริหารยังอธิบายว่า AI ควรช่วยให้คุณภาพ ความเร็ว และต้นทุนดีขึ้นพร้อมกัน ซึ่งเป็นเป้าหมายการออกแบบองค์กร ไม่ใช่ผลวัดของ MFEC ที่เผยแพร่แล้ว

ช่องว่างระหว่างรุ่นที่เวทียกขึ้นมาไม่ใช่เพียงเรื่องอายุ แต่เป็นการถือความรู้คนละชนิด ผู้บริหารที่รู้เป้าหมายธุรกิจอาจไม่ได้ใช้เครื่องมือใหม่ทุกวัน ส่วนคนเริ่มงานที่สร้างคำตอบได้เร็วอาจยังไม่รู้ว่าธุรกิจจะเสียอะไรหากเลือกผิด การส่งโจทย์เป็นภาษาที่ชัดและตอบกลับด้วยเหตุผลที่ตรวจสอบได้จึงกลายเป็นงานร่วมกัน หากผู้เชี่ยวชาญเพียงมอบปัญหากว้าง ๆ ให้คนใช้ AI หรือคนใช้ AI ส่งคำตอบโดยไม่บอกข้อจำกัด ความรู้สองฝั่งก็ยังไม่พบกัน

ผู้บริหารสหพัฒน์ให้ความสำคัญกับความผูกพัน ความเชื่อใจ และความรู้สึกเป็นเจ้าของงาน ซึ่งเป็นเหตุผลที่บริษัทต้องการพัฒนาคนเดิมต่อไป แนวคิดนี้แปลเป็นเรื่องงานได้ว่า คนที่รู้ข้อจำกัดของสินค้า ลูกค้า และวิธีทำธุรกิจมีข้อมูลบริบทที่เครื่องมือไม่ได้รับครบโดยอัตโนมัติ หากทีมใช้ความรู้ดังกล่าวตั้งโจทย์และตรวจผล คนที่คุ้นธุรกิจจะยังมีบทบาทแม้ขั้นตอนสร้างร่างคำตอบเร็วขึ้น แต่การรักษาคนไว้ต้องมาพร้อมการเปลี่ยนงานที่มีความหมาย มิฉะนั้นการฝึกทักษะจะอยู่แยกจากการทำงานจริง

คำว่าเป็นผู้ประกอบการในมุมมองผู้บริหารสหพัฒน์หมายถึงความรู้สึกเป็นเจ้าของงานและการมองผลทางธุรกิจ ไม่ได้หมายความว่าพนักงานทุกคนต้องไปตั้งกิจการของตน สำหรับงานที่ใช้ AI ความหมายเชิงปฏิบัติคือไม่หยุดที่คำตอบที่ระบบส่งมา แต่คิดต่อว่าคำตอบช่วยลูกค้า ช่วยรายได้ หรือช่วยแก้ปัญหาองค์กรอย่างไร การรักษาความรับผิดชอบแบบนี้ทำให้การพัฒนาทักษะไม่กลายเป็นเพียงรายการเครื่องมือที่ฝึกใช้แล้วจบ

ส่วน MFEC มองความเปลี่ยนแปลงผ่านแรงขับและแรงต้านในองค์กร คนที่ใช้ AI คล่องอาจผลักดันงานรูปแบบใหม่ คนที่กำลังเรียนรู้ต้องมีทางตามทัน และคนที่ปรับตัวไม่ทันอาจทำให้การเปลี่ยนระบบชะงัก ข้อสังเกตนี้ไม่ได้บอกว่าควรแบ่งพนักงานเพื่อคัดออก แต่สะท้อนว่าการเปิดเครื่องมือให้ทุกคนใช้พร้อมกันไม่เท่ากับการเปลี่ยนวิธีทำงาน หากบทบาท ขั้นตอน และเกณฑ์รับผิดชอบยังเหมือนเดิม แรงขับของคนบางกลุ่มอาจหยุดอยู่ที่งานทดลองขนาดเล็ก

ความอยากรู้ที่ MFEC เน้นสัมพันธ์กับการทำงานที่คำตอบเปลี่ยนได้เร็ว คนที่ตั้งคำถามต่อผลลัพธ์จะมองเห็นข้อมูลที่ขาดหรือทางเลือกที่ยังไม่ได้ลอง แต่ความอยากรู้ต้องอยู่ภายใต้เป้าหมายงานและความรับผิดชอบ ไม่เช่นนั้นทีมอาจใช้เวลาเพิ่มกับการถามระบบโดยไม่มีเกณฑ์ว่าจะเลือกข้อเสนอใด จุดแข็งของทักษะนี้จึงอยู่ที่การตั้งคำถามที่พาไปสู่การตัดสินใจ ไม่ใช่จำนวนคำสั่งที่พิมพ์เข้าเครื่องมือ

อีกประเด็นจากเวทีคือการตรวจความถูกต้องของ AI เมื่อระบบขยับจากการคาดการณ์ไปสู่การแนะนำสิ่งที่ควรทำ พนักงานต้องมีพื้นฐานพอจะแยกคำตอบที่ดูน่าเชื่อถือออกจากคำตอบที่เหมาะกับสถานการณ์จริง สิ่งนี้มีผลต่อหัวหน้าทีมโดยตรง: หากข้อเสนอจากเครื่องมือถูกส่งต่อเหมือนคำสั่ง ความผิดพลาดอาจไหลไปถึงลูกค้าโดยไม่มีผู้รับผิดชอบระหว่างทาง ทีมจึงต้องรู้จุดที่คนต้องใช้วิจารณญาณ ไม่ใช่เพียงรู้ว่าจะเปิดเครื่องมืออย่างไร

งานสี่ส่วนที่เปลี่ยนเมื่อ AI เข้ามา

เมื่อนำแนวคิดระดับองค์กรลงมาที่หนึ่งตำแหน่งงาน ความเปลี่ยนแปลงจะเห็นชัดกว่าคำว่าเพิ่มทักษะ ตำแหน่งเดียวอาจมีงานซ้ำ งานตีความ งานอนุมัติ และงานอธิบายผลอยู่ด้วยกัน กรอบสี่ส่วนต่อไปนี้เป็นการสังเคราะห์ผลต่อพนักงานจากตัวอย่างบริษัทไทย ไม่ใช่แบบฟอร์มที่ทั้งสามบริษัทประกาศใช้ร่วมกัน จุดประสงค์คือแยกสิ่งที่เครื่องมือทำได้ออกจากสิ่งที่คนยังต้องรับผิดชอบ

• งานประจำ: การรวบรวมตัวเลข สรุปข้อมูลเบื้องต้น และจัดตัวเลือกเป็นงานที่ AI อาจช่วยลดเวลาทำซ้ำได้ แต่ผู้ส่งงานต้องรู้แหล่งข้อมูล ขอบเขตข้อมูล และวัตถุประสงค์ของสรุปนั้น หากต้นทางขาดข้อมูลของพื้นที่หนึ่ง คำตอบที่เรียบร้อยก็อาจพาคนอ่านไปผิดทางได้
• วิจารณญาณ: คนตรวจว่าคำตอบตรงกับปัญหาและเงื่อนไขจริงหรือไม่ โดยเฉพาะเรื่องที่กระทบลูกค้า ต้นทุน หรือมาตรฐานงาน การตรวจจึงไม่ใช่แค่อ่านหาคำผิด แต่ต้องถามว่าข้อมูลเพียงพอหรือไม่ สมมติฐานใดซ่อนอยู่ และทางเลือกที่ระบบเสนอมีผลข้างเคียงอะไร
• สิทธิ์ตัดสินใจ: เมื่อคนพื้นที่มีข้อมูล เป้าหมาย และงบประมาณอยู่ใกล้ตัว องค์กรต้องระบุเรื่องที่ตัดสินใจเองได้กับเรื่องที่ต้องส่งต่อ การให้ข้อมูลโดยไม่ให้ขอบเขตอำนาจทำให้พนักงานยังต้องรอเหมือนเดิม ส่วนการให้อำนาจโดยไม่มีเกณฑ์รับผิดชอบก็ทำให้ตรวจผลการตัดสินใจลำบาก
• ทักษะที่แสดงผ่านงาน: พนักงานต้องตั้งโจทย์ให้ชัด สอบทานข้อเสนอ อธิบายเหตุผล และสื่อสารกับคนที่ต้องลงมือร่วมกัน ทักษะใช้ AI จึงเห็นได้จากคุณภาพการตัดสินใจและการส่งต่องาน มากกว่าการบอกว่าใช้เครื่องมือใดเป็น

หากแบ่งงานตามชื่อแผนกอย่างเดียว ความรับผิดชอบที่อยู่ระหว่างแผนกมักหล่นหาย ตัวอย่างเช่นคนทำข้อมูลอาจถือว่าหน้าที่จบเมื่อส่งตัวเลข คนหน้างานอาจถือว่าข้อเสนอจาก AI ผ่านการตรวจแล้ว และผู้อนุมัติอาจเห็นเพียงสรุปปลายทาง การแยกงานตามการรวบรวม การตรวจ และการตัดสินใจทำให้เห็นจุดที่ต้องส่งต่อเหตุผลพร้อมข้อมูล การเปลี่ยนแบบนี้ยังช่วยให้รู้ว่าเมื่อผลลัพธ์ผิด ควรแก้ข้อมูล ขั้นตอนตรวจ หรือเกณฑ์อนุมัติส่วนใด

เส้นทางงานหนึ่งงานยังมีผู้เกี่ยวข้องมากกว่าคนที่รับคำตอบจาก AI คนที่ดูแลข้อมูลต้องทำให้ข้อมูลมีความหมายตรงกัน คนที่รับผิดชอบลูกค้าต้องบอกเงื่อนไขของสถานการณ์ คนที่มีอำนาจใช้ทรัพยากรต้องตัดสินใจ และคนติดตามผลต้องเห็นว่าทางเลือกที่ทำไปได้ผลหรือไม่ หากขาดผู้รับผิดชอบช่วงใดช่วงหนึ่ง ระบบอาจสร้างข้อเสนอได้เร็วแต่ไม่ทำให้งานสำเร็จเร็วขึ้น นี่เป็นเหตุผลที่การออกแบบบทบาทสำคัญพอ ๆ กับความสามารถของเครื่องมือ

ตัวอย่างแบบสมมติช่วยเห็นความต่างของงานเหล่านี้ หากผู้จัดการพื้นที่ได้รับคำแนะนำให้ย้ายทรัพยากรไปยังตลาดย่อยที่มีสัญญาณความต้องการเพิ่ม AI อาจรวบรวมยอดขายและเสนอทางเลือกได้ แต่คนต้องตรวจว่าข้อมูลครบหรือไม่ และทางเลือกนั้นกระทบพื้นที่ข้างเคียงอย่างไร ถ้าการย้ายอยู่ในงบและอำนาจที่มอบไว้ ผู้จัดการจึงลงมือได้ หากกระทบงบหรือข้อกำหนดส่วนกลาง ก็ต้องส่งต่อผู้มีอำนาจ การจัดลำดับนี้คือการเปลี่ยนงานจากการส่งรายงานไปสู่การใช้ข้อมูลพร้อมรับผิดชอบผล

สิทธิ์ตัดสินใจยังต้องสอดคล้องกับระดับความเสี่ยงของงาน ข้อเสนอที่ปรับงานภายในพื้นที่อาจอยู่ในอำนาจผู้จัดการท้องถิ่น ขณะที่เรื่องที่กระทบเงื่อนไขบริการหรือการใช้ทรัพยากรข้ามพื้นที่อาจต้องพิจารณาร่วมกัน การวางขอบเขตเช่นนี้เป็นข้อสรุปเชิงออกแบบจากโมเดลที่แบ่งเป้าหมายและงบประมาณตามพื้นที่ ไม่ใช่รายละเอียดกฎอนุมัติที่มีการเปิดเผยแล้ว เมื่อขอบเขตชัด คนทำงานจะรู้ว่าต้องใช้วิจารณญาณตรงไหน และเมื่อใดควรส่งเรื่องต่อ

ความหมายของคำว่าตรวจ AI จึงขึ้นกับงานที่ระบบช่วยทำ หากเป็นการสรุปยอดขาย การตรวจอาจเริ่มจากตัวเลขต้นทางและช่วงเวลาที่ระบบหยิบมา หากเป็นคำแนะนำให้เปลี่ยนวิธีบริการลูกค้า ต้องเพิ่มการพิจารณาผลต่อความคาดหวังของลูกค้าและทรัพยากรของทีม หากเป็นข้อความที่ใช้สื่อสารต่อ คนต้องตรวจความถูกต้องของรายละเอียดและน้ำเสียงก่อนเผยแพร่ ตัวอย่างเหล่านี้เป็นการแปลงหลักวิจารณญาณเป็นขั้นงาน ไม่ใช่หลักฐานว่าองค์กรที่กล่าวถึงใช้กรณีเหล่านี้ทั้งหมด

ในตัวอย่างของ True การแยกงานสี่ส่วนทำให้เห็นว่าข้อมูลและคำแนะนำจาก AI เป็นเพียงส่วนหนึ่งของการเปลี่ยนแปลง ผู้จัดการพื้นที่ยังต้องเข้าใจลูกค้าและคู่แข่ง เลือกทางออกภายใต้งบประมาณ และรับผลจากการเลือกนั้น สำหรับทีมที่อยู่ส่วนกลาง หน้าที่อาจขยับไปสู่การกำหนดมาตรฐานข้อมูลและขอบเขตอำนาจ แทนการอนุมัติเรื่องย่อยทุกเรื่อง นี่คือการย้ายงานระหว่างบทบาท ไม่ใช่สมการที่แปลงจำนวนงานอัตโนมัติเป็นจำนวนคนที่ต้องลด

ในกรณีของสหพัฒน์ กรอบเดียวกันชี้ว่าการฝึกใช้เครื่องมืออย่างเดียวอาจยังไม่พอ คนใหม่ต้องเข้าใจบริบทธุรกิจ ส่วนคนเดิมต้องรู้ว่า AI ช่วยงานช่วงไหนได้ และจะตรวจอย่างไร ก่อนนำข้อเสนอไปใช้ ส่วนคำเตือนของ MFEC ชี้ว่าการเปลี่ยนเจ้าของงานเพียงขั้นเดียวโดยไม่แตะขั้นตอนถัดไปอาจไม่เปลี่ยนผลลัพธ์ ทั้งสองมุมจึงลงท้ายที่การจัดความรับผิดชอบตลอดเส้นทางงาน

ประกาศรับสมัครงานวัดความต้องการทักษะ ไม่ใช่จำนวนคนตกงาน

การวิเคราะห์ประกาศงานออนไลน์ของ TDRI พบงานเกี่ยวกับ AI ในไทยเพิ่มจาก 7,220 ตำแหน่งในไตรมาส 2/2567 เป็น 9,470 ตำแหน่งในไตรมาส 2/2568 หรือราว 31% ในช่วงปีเดียวกัน ตัวเลขนี้นับประกาศรับสมัครตามประเภทงานที่ศึกษา จึงแสดงความต้องการจ้างงานในตลาดออนไลน์ช่วงนั้น ไม่ได้บอกจำนวนคนที่ได้รับงานจริงหรือจำนวนผู้ถูกแทนที่ด้วย AI การอ่านตัวเลขให้ตรงหน่วยวัดช่วยแยกหลักฐานตลาดแรงงานออกจากความเห็นเรื่องอนาคตองค์กร

ข้อจำกัดของฐานข้อมูลประกาศออนไลน์ก็มีผลต่อข้อสรุป ตลาดที่เห็นคือความต้องการที่นายจ้างนำขึ้นประกาศในช่องทางซึ่งการศึกษาครอบคลุม งานที่จ้างผ่านเครือข่ายภายในหรือการโยกคนในบริษัทอาจไม่ปรากฏในภาพนี้ อีกทั้งตำแหน่งที่ประกาศหนึ่งครั้งอาจรับคนจริงหรือไม่ก็ได้ เมื่อแยกหน่วยวัดนี้ออก ความหมายของตัวเลขจะชัด: มันบอกว่าบริษัทกำลังตามหาความสามารถใด มากกว่าบอกว่าคนทำงานไทยทั้งหมดได้รับหรือสูญเสียงานเท่าไร

การเปรียบเทียบประกาศแต่ละประเภททำให้เห็นอีกข้อจำกัดของคำว่าอาชีพ AI งานวิเคราะห์ข้อมูล งานพัฒนาโมเดล และงานจัดเตรียมข้อมูลใช้ความรู้และอำนาจตัดสินใจไม่เท่ากัน หากนำทั้งหมดมารวมเป็นยอดเดียว เราอาจเห็นตลาดโตแต่ไม่เห็นว่าคนทำงานส่วนใดได้รับอิสระเพิ่ม และส่วนใดทำงานซ้ำในรูปแบบใหม่ การแยกเนื้องานจึงจำเป็นต่อการอ่านอนาคตการทำงาน มากกว่าการใช้ยอดรวมเป็นคำตอบว่า AI ดีหรือร้ายต่อแรงงาน

ภาพรวมดังกล่าวยังซ่อนการขยายตัวคนละชนิด บางประกาศเป็นงานสร้างหรือปรับโมเดลที่ต้องใช้ทักษะเทคนิคสูง บางประกาศเป็นงานเตรียมข้อมูลให้ระบบเรียนรู้ ซึ่งอาจรับคนที่ประสบการณ์น้อยกว่าและมีรูปแบบจ้างงานยืดหยุ่นกว่า จึงไม่ควรตีความว่าความต้องการ AI เพิ่มขึ้นแล้วคนทำงานทุกกลุ่มจะได้รับโอกาสแบบเดียวกัน สิ่งที่ต้องดูควบคู่คือเนื้องาน ความมั่นคงของสัญญา และเส้นทางก้าวหน้า ไม่ใช่เพียงจำนวนประกาศที่เติบโต

รายละเอียดของงานที่เพิ่มขึ้นบอกว่าตลาดต้องการบทบาทหลายระดับ ไม่ได้มีแต่ผู้สร้างโมเดล งานวิเคราะห์และใช้ข้อมูลอยู่ในกลุ่มหลัก ขณะที่งานเตรียมข้อมูลให้ระบบก็โตเร็วแต่มีรูปแบบการจ้างงานต่างออกไป การเติบโตของประกาศจึงไม่ได้หมายความว่าคุณภาพงานและโอกาสก้าวหน้าเหมือนกันทุกตำแหน่ง ประเด็นนี้สำคัญเมื่อองค์กรบอกว่าพนักงานควรเรียน AI เพราะคำเดียวกันอาจครอบคลุมทั้งงานวิเคราะห์ที่ต้องใช้วิจารณญาณสูง และงานจัดข้อมูลที่มีความซ้ำมากกว่า

ทักษะที่นายจ้างระบุยังข้ามเส้นแบ่งระหว่างเทคโนโลยีกับงานทั่วไป การสื่อสาร ภาษาอังกฤษ การแก้ปัญหา การคิดเชิงวิพากษ์ และการบริหารเวลาปรากฏในความต้องการของตำแหน่ง AI หลายแบบ ภาพนี้ทำให้คำว่าใช้เครื่องมือเป็นมีความหมายจำกัด: คนทำงานต้องเปลี่ยนคำตอบของระบบให้เป็นข้อสรุปที่คนอื่นเข้าใจและนำไปตัดสินใจได้ สำหรับผู้จัดการทีม ทักษะดังกล่าวสังเกตได้จากการอธิบายข้อสมมติและเหตุผลของทางเลือก มากกว่าความเร็วในการสร้างคำตอบเพียงอย่างเดียว

สัญญาณตลาดงานจึงสนับสนุนเพียงบางส่วนของแนวคิดผู้บริหาร: ทักษะด้าน AI เป็นที่ต้องการมากขึ้น แต่การประกาศรับสมัครไม่บอกว่าองค์กรที่มีพนักงานเดิมจัดงานใหม่ได้สำเร็จหรือไม่ ระหว่างพนักงานในบริษัทกับผู้สมัครงานใหม่ยังมีโจทย์ต่างกัน คนเดิมต้องเรียนรู้วิธีใช้เครื่องมือในบริบทธุรกิจที่รับผิดชอบ ส่วนผู้สมัครต้องแสดงว่าทักษะของตนตรงกับเนื้องานที่นายจ้างประกาศ ความต่างนี้อธิบายว่าทำไมจำนวนประกาศจึงแทนข้อมูลการฝึกและการโยกย้ายภายในไม่ได้

กลุ่มงานจัดเตรียมข้อมูลยิ่งทำให้เห็นว่า AI ไม่ได้สร้างแต่งานที่ใช้ทักษะสูง การจำแนกภาพ ถอดเสียง หรือคัดเนื้อหาที่ไม่เหมาะสมเป็นงานเบื้องหลังที่ทำให้ระบบเรียนรู้และใช้งานได้ แต่รูปแบบงานอาจเป็นทางไกลหรือสัญญาระยะสั้นมากกว่างานประจำในองค์กรใหญ่ สำหรับคนทำงาน นี่หมายความว่าการเพิ่มขึ้นของประกาศไม่ได้บอกโดยตัวมันเองว่างานมีความมั่นคงหรือเปิดทางให้เติบโตต่อ ความแตกต่างของสัญญาและค่าตอบแทนต้องอ่านคู่กับประเภทงาน

ข้อสังเกตเรื่องภาษาอังกฤษและการสื่อสารยังทำให้เห็นความต่างระหว่างงานผู้พัฒนา AI กับงานผู้ใช้ AI ในทีมธุรกิจ ผู้พัฒนาต้องอ่านเอกสารเทคนิค เชื่อมข้อมูล และดูแลระบบ ส่วนผู้ใช้ที่ตัดสินใจในหน้างานต้องตีความข้อมูล อธิบายทางเลือก และรับผิดชอบผล การเตรียมทักษะจึงเริ่มจากลักษณะงานที่คนทำอยู่ ไม่ใช่ให้ทุกตำแหน่งเรียนชุดเครื่องมือเดียวกัน การมองทักษะตามหน้าที่ช่วยลดช่องว่างระหว่างคำประกาศว่าองค์กรใช้ AI กับความสามารถที่พนักงานต้องแสดงจริง

อีกทักษะที่เริ่มปรากฏในตลาดคือการใช้ AI อย่างรับผิดชอบ ซึ่งเกี่ยวกับการประเมินความเสี่ยง ตรวจและติดตามผลของระบบ และทำให้การใช้โมเดลสอดคล้องกับข้อกำหนดของงาน ทักษะนี้เชื่อมกับคำถามเรื่องวิจารณญาณในทีมโดยตรง เพราะการตรวจคำตอบไม่จบที่คนอ่านหนึ่งคน หากผลถูกนำไปใช้ต่อซ้ำ ๆ องค์กรต้องมีวิธีรู้ว่าระบบเริ่มให้คำตอบผิดหรือไม่ สำหรับพนักงานที่ไม่ได้พัฒนาโมเดล ความเข้าใจเรื่องจุดส่งต่อเมื่อพบปัญหาก็เป็นส่วนหนึ่งของงานใหม่

ทักษะการตรวจคำตอบมีความหมายมากขึ้นเมื่อระบบไม่ได้เพียงสรุปสิ่งที่เกิดขึ้น แต่เสนอสิ่งที่ควรทำ ผู้รับข้อเสนอจึงต้องรู้ว่าคำแนะนำอาศัยข้อมูลใด และผลจะตกกับใคร หากงานหนึ่งส่งผลต่อหลายทีม ผู้ที่กดใช้คำตอบอาจไม่ใช่ผู้ที่รับภาระทั้งหมด การระบุเจ้าของการตัดสินใจจึงช่วยให้การใช้ AI มีความรับผิดชอบในทางปฏิบัติ ไม่ใช่หยุดที่ความถูกต้องของข้อความบนหน้าจอ

ข้อมูลประกาศงานเก็บก่อนมุมมองของผู้บริหารรอบล่าสุด จึงยังวัดผลการเปลี่ยนงานภายใน True สหพัฒน์ หรือ MFEC ไม่ได้ สิ่งที่เห็นได้ในช่วงนี้คือแนวทางที่บริษัทอธิบายกับสัญญาณความต้องการทักษะของตลาด ส่วนผลต่อจำนวนพนักงานต้องอาศัยข้อมูลการจ้าง การโยกบทบาท และผลการดำเนินงานหลังใช้ระบบจริง การแยกช่วงเวลาเช่นนี้ช่วยป้องกันไม่ให้แนวคิดในเวทีถูกอ่านเป็นผลลัพธ์ที่เกิดขึ้นแล้ว

ผลที่คนทำงานจะพบก่อนตัวเลขตำแหน่งเปลี่ยน

ความเปลี่ยนแปลงแรกอาจอยู่ในคำอธิบายงานประจำวันมากกว่าชื่อตำแหน่ง พนักงานที่เคยส่งต่อข้อมูลอาจต้องอธิบายความหมายของข้อมูล ตรวจข้อเสนอที่ระบบสร้าง และบอกเหตุผลว่าควรเลือกทางใด หัวหน้าทีมอาจใช้เวลาน้อยลงกับการรวบรวมสถานะ แต่ต้องใช้เวลามากขึ้นกับการกำหนดขอบเขตอำนาจและคุณภาพของการตัดสินใจ นี่เป็นผลเชิงตรรกะจากรูปแบบงานที่ผู้บริหารเสนอ ยังไม่ใช่ผลสำรวจพนักงานทุกองค์กร

ความพร้อมของคนจึงเห็นจากสิ่งที่อธิบายได้ในงานจริง: รู้ว่าโจทย์เริ่มจากปัญหาใด ข้อมูลใดขาดไป ข้อเสนอมีเงื่อนไขอะไร และใครรับผลเมื่อเลือกทำต่อ หากทีมตอบคำถามเหล่านี้ได้ การใช้ AI ช่วยลดเวลางานซ้ำพร้อมรักษาความรับผิดชอบของมนุษย์ไว้ในจุดที่มีผลต่อธุรกิจ สำหรับคนที่อยู่ใกล้ลูกค้า ความชัดเจนของสิทธิ์ตัดสินใจจะเป็นตัวกำหนดว่าข้อมูลที่ได้รับใหม่เปลี่ยนวิธีทำงานได้จริงหรือกลายเป็นเพียงรายงานอีกชุดหนึ่ง

การประเมินผลของทีมที่ทำงานกับ AI ยังต้องแยกความเร็วออกจากความถูกต้อง คำตอบที่ผลิตได้มากขึ้นอาจเพิ่มภาระตรวจ หากคุณภาพข้อมูลตั้งต้นไม่ดี หรือหากผู้รับงานปลายทางไม่รู้ข้อจำกัดของคำตอบ ในทางกลับกัน ข้อเสนอที่ใช้เวลาตรวจมากขึ้นอาจมีค่าหากช่วยหลีกเลี่ยงการตัดสินใจผิด การเปลี่ยนโครงสร้างงานจึงจะเห็นผลชัดเมื่อองค์กรวัดทั้งเวลาที่ใช้ ผลต่อผู้รับบริการ และความรับผิดชอบของผู้ตัดสินใจ ไม่ใช่ดูเพียงจำนวนงานที่ AI ช่วยทำ

ในช่วงที่องค์กรกำลังลองรูปแบบงานใหม่ ความชัดเจนของคำอธิบายงานมีผลต่อความเป็นธรรมด้วย หากคนหนึ่งต้องตรวจคำตอบ รับผลจากการตัดสินใจ และประสานผู้เกี่ยวข้องมากกว่าเดิม แต่ยังถูกวัดด้วยปริมาณงานแบบเก่า ความรับผิดชอบที่เพิ่มขึ้นจะไม่ปรากฏในเกณฑ์ประเมิน การปรับบทบาทจึงควรตามมาด้วยการอธิบายว่าอะไรนับเป็นผลงานที่ดี ตัวอย่างเช่นความถูกต้องของข้อเสนอที่นำไปใช้ หรือความสามารถอธิบายเหตุผล ไม่ใช่เพียงจำนวนงานที่เครื่องมือช่วยผลิต

สำหรับหัวหน้าทีม การเปลี่ยนผ่านจะสังเกตได้จากคำถามที่ทีมเริ่มตอบได้ร่วมกัน ข้อมูลใดใช้เป็นฐาน ใครแก้ข้อมูลที่ผิด ใครหยุดข้อเสนอที่ขัดกับเงื่อนไข และใครลงชื่อรับผลการตัดสินใจ เมื่อคำตอบเหล่านี้ชัด พนักงานจะรู้ว่าการใช้ AI ขยายขอบเขตงานของตนตรงไหน หากคำตอบยังไม่ชัด การคาดหวังให้ทุกคนใช้ AI มากขึ้นอาจเพิ่มงานตรวจซ้ำและการส่งต่อ มากกว่าจะลดเวลาทำงานจริง

ผลที่ต้องติดตามต่อคือข้อมูลการใช้ระบบในพื้นที่ของ True: ผู้จัดการได้อำนาจตัดสินใจเรื่องใดจริง ใช้ข้อเสนอจาก AI บ่อยเพียงใด และบริษัทวัดคุณภาพการตัดสินใจอย่างไร หากมีข้อมูลเหล่านี้ จึงจะประเมินได้ว่าการย้ายข้อมูลและอำนาจช่วยให้ตอบสนองลูกค้าเร็วขึ้นหรือไม่ สำหรับพนักงาน ความเปลี่ยนแปลงสำคัญระหว่างรอผลคือหน้าที่ตรวจและอธิบายการตัดสินใจจะชัดขึ้นทุกครั้งที่ AI เข้ามาสร้างข้อเสนอให้ทีม