Workday แยกตำแหน่งเป็นงานย่อย—AI เปลี่ยนทักษะก่อนเปลี่ยนชื่องาน

ในประกาศของ Workday ที่งาน Workday Rising ในลาสเวกัสเมื่อ 13 ตุลาคม 2026 บริษัทเปิดตัว Work Intelligence และ Nikki Helmer รองประธานฝ่ายบริหารบุคลากรและข้อมูลเชิงลึกกล่าวว่า “The basic building block of work is shifting from the job to the task” ผลิตภัณฑ์นี้มองว่าตำแหน่งหนึ่งประกอบด้วยงานหลายอย่าง ซึ่ง AI กระทบไม่พร้อมกันและทำให้ทักษะที่จำเป็นเปลี่ยนไปต่างกัน

Work Intelligence แยกตำแหน่งออกเป็นงานย่อยแล้วเชื่อมงานเหล่านั้นกับทักษะ เพื่อช่วยฝ่ายบุคคลพิจารณาว่าควรพัฒนาคน จ้างเพิ่ม ใช้ AI ช่วย หรือออกแบบงานใหม่อย่างไร ขณะนี้เปิดให้เฉพาะลูกค้า Workday Human Capital Management ที่ได้รับสิทธิ์เข้าถึงก่อน รายงานของ TechRepublic ระบุว่า Workday Skills Cloud ซึ่งผลิตภัณฑ์นี้อาศัย มีทักษะมาตรฐานมากกว่า 75,000 รายการ และมีลูกค้าใช้ Skills Cloud มากกว่า 3,450 ราย ตัวเลขลูกค้าเป็นของ Skills Cloud ไม่ใช่จำนวนผู้ใช้ Work Intelligence

งานย่อยเผยผลของ AI ที่ชื่อตำแหน่งซ่อนไว้

ชื่อตำแหน่งหนึ่งอาจรวมทั้งงานที่ทำตามกฎ งานที่ต้องตีความข้อยกเว้น และงานที่ต้องรับผิดชอบต่อผลลัพธ์ การบอกว่า AI จะเปลี่ยนตำแหน่งนั้นทั้งตำแหน่งจึงหยาบเกินไปสำหรับการวางกำลังคน ฝ่ายบุคคลต้องรู้ก่อนว่ากิจกรรมใดใช้เวลามาก กิจกรรมใดต้องใช้วิจารณญาณ และส่วนไหนให้ระบบช่วยได้จริง เมื่อแยกส่วนเหล่านี้ออกจากกัน ผลกระทบต่อทักษะจึงเริ่มมองเห็นก่อนที่ชื่อตำแหน่งจะต้องเปลี่ยน

Work Intelligence วางงานย่อยไว้ระหว่างข้อมูลตำแหน่งกับข้อมูลทักษะที่องค์กรเก็บอยู่แล้ว หาก AI ทำขั้นตอนหนึ่งได้เร็วขึ้น งานนั้นอาจยังต้องมีคนตรวจผลและจัดการข้อยกเว้น ความต้องการทักษะจึงอาจย้ายจากการลงมือทำซ้ำไปสู่การตรวจความถูกต้อง การตีความ และการตัดสินใจ ผลที่เกิดขึ้นไม่เท่ากันในทุกกิจกรรม และไม่จำเป็นต้องเหมือนกันระหว่างพนักงานที่มีชื่อตำแหน่งเดียวกัน

แผนผังองค์กรบอกสายรายงานและจำนวนคน แต่ไม่บอกว่าแต่ละคนใช้เวลาทำอะไรในวันทำงานจริง ตำแหน่งชื่อเดียวกันในสองหน่วยธุรกิจอาจมีสัดส่วนงานประจำกับงานวิเคราะห์ต่างกัน หากใช้ชื่อเป็นหน่วยวิเคราะห์เพียงอย่างเดียว องค์กรอาจจัดหลักสูตรเดียวให้คนที่ต้องการทักษะต่างกัน การแยกงานจึงเปลี่ยนคำถามจากจำนวนตำแหน่ง ไปสู่ภาระงานและความสามารถที่ต้องมีเพื่อรับภาระนั้น

การมองละเอียดขึ้นทำให้แยกการใช้ AI สองลักษณะออกจากกันได้ งานที่มีกฎชัดและตรวจผลได้อาจเหมาะกับการทำอัตโนมัติ ส่วนงานที่ต้องชั่งน้ำหนักข้อมูลหลายด้านอาจเหมาะกับการให้ AI เตรียมข้อมูลแล้วให้คนตัดสินใจ ความต่างนี้ส่งผลต่อการฝึกคนโดยตรง ผู้ดูแลขั้นตอนอัตโนมัติต้องเข้าใจจุดที่ระบบพลาด ขณะที่ผู้ใช้ AI เป็นผู้ช่วยต้องรู้วิธีตรวจเหตุผลและอธิบายผลให้ผู้เกี่ยวข้อง

แม้งานย่อยบางส่วนหายไปจากกิจวัตร ความรับผิดชอบต่อผลของงานอาจยังอยู่กับตำแหน่งเดิม การตรวจรายการผิดปกติ การอนุมัติข้อยกเว้น และการตอบคำถามจากหน่วยงานอื่นยังใช้เวลา การวิเคราะห์ระดับงานย่อยจึงควรเห็นทั้งขั้นตอนที่ AI รับไปและขั้นตอนที่เพิ่มตามมา มิฉะนั้นภาพภาระงานใหม่จะเล็กกว่างานที่คนต้องรับจริง

อีกประเด็นคือความถี่ของงาน งานที่เกิดทุกวันอาจคุ้มกับการออกแบบระบบช่วย แม้ใช้เวลาแต่ละครั้งไม่มาก ขณะที่งานซึ่งเกิดน้อยแต่มีผลกระทบสูงอาจต้องรักษาทักษะมนุษย์ไว้ การนับเพียงจำนวนกิจกรรมที่ AI ทำได้จึงตอบไม่ได้ว่าควรย้ายคนไปไหน ต้องมองเวลา ความเสี่ยง และผู้รับผิดชอบของแต่ละกิจกรรมประกอบกัน

สิ่งที่ Work Intelligence เสนอคือภาพของงานที่กำลังเปลี่ยน แทนการจัดกลุ่มอาชีพทั้งหมดตามระดับความเสี่ยงจาก AI ภาพนั้นช่วยให้ฝ่ายบุคคลมองเห็นทักษะซึ่งอาจสำคัญขึ้นเมื่อเวลาจากงานเดิมถูกคืนมา แต่ผลที่ต้องการยังขึ้นกับการมอบหมายงานใหม่ ถ้าเวลาที่ประหยัดได้ถูกเติมด้วยงานเดิมในปริมาณมากขึ้น ทักษะใหม่ที่ระบบระบุว่าเป็นโอกาสก็อาจไม่ได้ถูกใช้

Skills Cloud เชื่อมสิ่งที่คนทำกับสิ่งที่ต้องเรียน

ฐานทักษะของ Workday ทำหน้าที่เป็นภาษากลางระหว่างคำอธิบายตำแหน่ง งานย่อย และความสามารถของพนักงาน เมื่องานหนึ่งเปลี่ยน ระบบจึงมีทางเชื่อมไปยังทักษะที่เกี่ยวข้อง แทนการสรุปจากชื่ออาชีพเพียงชื่อเดียว สำหรับองค์กรขนาดใหญ่ ประโยชน์อยู่ที่การเห็นว่าคนในหน่วยงานอื่นมีทักษะใกล้เคียงกับงานที่กำลังเกิดขึ้นหรือไม่ ก่อนสรุปว่าต้องหาคนใหม่จากตลาดเสมอ

ตัวอย่างเช่น งานที่เคยใช้เวลากับการคัดแยกรายการจำนวนมากอาจลดลงเมื่อมี AI ช่วย พนักงานคนเดิมอาจต้องใช้ความรู้เรื่องความผิดปกติและการพยากรณ์มากขึ้น ความเชื่อมโยงของทักษะช่วยให้ฝ่ายบุคคลแยกได้ว่าควรต่อยอดความสามารถใด และช่องว่างไหนต้องฝึกอย่างจริงจัง คำตอบจึงอาจเป็นการปรับบทบาทของคนเดิม แทนการเปิดรับสมัครตำแหน่งใหม่ทันที

จำนวนรายการทักษะในฐานข้อมูลบอกความละเอียดของศัพท์ที่ระบบรองรับ แต่ไม่บอกว่าข้อมูลขององค์กรหนึ่งครบหรือถูกต้องเพียงใด พนักงานอาจใช้ความสามารถข้ามทีมซึ่งไม่อยู่ในประวัติทักษะ หรือทำงานจริงต่างจากคำอธิบายตำแหน่ง การเชื่อมงานกับทักษะจะให้ภาพที่มีประโยชน์ก็ต่อเมื่อข้อมูลภายในสะท้อนงานที่เกิดขึ้นจริง และเมื่อผู้จัดการกับพนักงานสามารถเติมบริบทที่ระบบมองไม่เห็น

การมีชื่อทักษะอยู่ในประวัติกับการพร้อมรับงานใหม่ก็เป็นคนละเรื่อง คนที่เคยเรียนการพยากรณ์อาจยังไม่เคยใช้กับข้อมูลของหน่วยธุรกิจตนเอง ในทางกลับกัน คนที่ทำงานลักษณะเดียวกันทุกวันอาจไม่ได้บันทึกชื่อทักษะนั้นไว้ การจับคู่จึงช่วยชี้ผู้ที่อาจพร้อมพัฒนา แต่การมอบหมายงานจริงยังต้องดูประสบการณ์ ภาระงาน และการสนับสนุนระหว่างฝึก

ข้อมูลแบบนี้เปิดทางให้ฝ่ายบุคคลมองความพร้อมภายในเป็นระดับ ไม่จำเป็นต้องแบ่งคนเป็นมีหรือไม่มีทักษะอย่างเด็ดขาด ผู้ที่รู้กระบวนการและเข้าใจธุรกิจอาจขาดเพียงทักษะวิเคราะห์เพิ่มเติม ส่วนผู้สมัครใหม่อาจมีทักษะเทคนิคแต่ต้องเรียนรู้กฎและความเสี่ยงขององค์กร การพิจารณาความใกล้เคียงของทักษะจึงช่วยอธิบายว่าการฝึกภายในมีต้นทุนและระยะเวลาอย่างไร เมื่อเทียบกับการจ้างจากภายนอก

งานใหม่ที่เกิดจาก AI อาจต้องผสมทักษะที่เดิมอยู่คนละทีม เช่น ความเข้าใจกระบวนการ การประเมินผลของระบบ และการกำหนดจุดที่คนต้องอนุมัติ การมองแต่ตำแหน่งเดิมทำให้ความต้องการลักษณะนี้ปรากฏช้า การมองงานและทักษะร่วมกันช่วยให้ฝ่ายบุคคลเห็นว่าต้องรวมหน้าที่จากหลายบทบาท หรือสร้างบทบาทใหม่เมื่อภาระนั้นมีมากพอ

Work Intelligence เชื่อมกับ Workday Decision Intelligence เพื่อให้เห็นความพร้อมของคนภายในและเปรียบเทียบทางเลือกด้านกำลังคน ส่วน Workday Learning powered by Sana เป็นช่องทางที่ Workday วางไว้สำหรับเส้นทางการเรียนรู้เฉพาะบุคคล ผลจากการวิเคราะห์งานจึงเชื่อมต่อไปยังการพัฒนาคนได้ตามแนวคิดของผลิตภัณฑ์ อย่างไรก็ดี การเปิดให้ใช้ Work Intelligence ยังจำกัดอยู่ในกลุ่มที่ได้รับสิทธิ์ก่อน จึงยังไม่อาจถือว่าการเชื่อมต่อทุกขั้นให้ผลตามที่คาดในลูกค้าทั่วไป

นักวิเคราะห์การเงินหนึ่งตำแหน่ง มีทางเลือกต่างกันตามงาน

Workday ยกตัวอย่างนักวิเคราะห์การเงินที่งานกระทบยอดด้วยมือได้รับความช่วยเหลือจาก AI และอาจต้องพัฒนาทักษะการพยากรณ์ต่อไป ลองขยายเป็นตัวอย่างสมมติเพื่อเห็นการตัดสินใจระดับงานย่อย นักวิเคราะห์คนเดียวกันต้องจับคู่รายการ ตรวจความผิดปกติ ทำประมาณการ และอธิบายความเสี่ยงต่อผู้บริหาร กิจกรรมเหล่านี้อยู่ในตำแหน่งเดียวกัน แต่ความซ้ำของขั้นตอน ผลเสียหากผิด และทักษะที่ใช้ต่างกันมาก

งานจับคู่รายการที่มีกฎแน่นอนอาจเป็นผู้สมัครสำหรับระบบอัตโนมัติ เพราะสามารถกำหนดเงื่อนไขและตรวจว่ารายการใดจับคู่ไม่สำเร็จได้ งานตรวจความผิดปกติอาจต้องให้ AI ช่วยค้นหาจุดที่น่าสงสัย แต่ยังต้องมีคนดูหลักฐานและตัดสินว่าควรส่งต่อหรือไม่ งานทำประมาณการต้องเข้าใจสมมติฐานของธุรกิจ ส่วนการอธิบายความเสี่ยงยังต้องมีผู้รับผิดชอบต่อข้อสรุป การตัดงานใดงานหนึ่งออกจากภาระเดิมจึงไม่เท่ากับตัดคนทั้งตำแหน่ง

• คงไว้กับคน: การชั่งน้ำหนักผลกระทบของรายการผิดปกติและการอธิบายความเสี่ยง ต้องอาศัยบริบทและผู้รับผิดชอบต่อคำตัดสิน
• ฝึกเพิ่ม: เวลาที่คืนมาจากงานกระทบยอดอาจถูกใช้ฝึกการพยากรณ์ การตั้งสมมติฐาน และการสื่อสารผลต่อฝ่ายบริหาร
• ทำร่วมกับ AI: ให้ระบบคัดรายการน่าสงสัยหรือช่วยจัดข้อมูล แล้วให้นักวิเคราะห์ตรวจข้อยกเว้นและอนุมัติผล
• ทำอัตโนมัติ: ย้ายเฉพาะขั้นตอนที่มีกฎชัดและตรวจย้อนกลับได้ พร้อมทางส่งต่อรายการที่ระบบจัดการไม่ได้

ทางเลือกทั้งสี่ไม่ได้เรียงจากดีไปแย่ และไม่ใช่คุณสมบัติคงที่ของตำแหน่งเดียว เมื่อข้อมูลหรือกฎเปลี่ยน งานที่เคยทำอัตโนมัติได้อาจต้องมีคนกลับมาตรวจมากขึ้น ในทางกลับกัน เมื่อระบบจัดการงานประจำได้ดีขึ้น เวลาของนักวิเคราะห์อาจย้ายไปสู่การประเมินสถานการณ์ที่ซับซ้อนกว่า ฝ่ายบุคคลจึงต้องดูทั้งทักษะของคนและลักษณะงาน ไม่ใช่ใช้ป้ายชื่ออาชีพเป็นคำตอบสำเร็จรูป

ลองสมมติว่ารายการส่วนใหญ่จับคู่ได้ตามกฎ แต่รายการผิดปกติมักเกี่ยวข้องกับลูกค้าหรือสัญญาที่มีเงื่อนไขเฉพาะ แม้รายการผิดปกติมีจำนวนน้อย การตัดสินผิดอาจกระทบประมาณการและคำอธิบายต่อผู้บริหาร การทำอัตโนมัติในขั้นแรกจึงอาจเพิ่มความสำคัญของทักษะที่ใช้กับกรณียาก ไม่ได้ลดความจำเป็นของความรู้ทางการเงินทั้งหมด

การฝึกการพยากรณ์ก็ต้องมีงานให้ใช้ทักษะนั้นด้วย หากหัวหน้าทีมยังมอบหมายให้นักวิเคราะห์ตรวจผล AI ตลอดเวลา เวลาที่ควรย้ายไปงานวิเคราะห์อาจไม่เกิดขึ้น การปรับหน้าที่จึงต้องกำหนดว่าใครดูแลข้อยกเว้น ใครสร้างประมาณการ และใครรับรองข้อสรุป เมื่อหน้าที่ชัด การฝึกคนจึงผูกกับงานใหม่ได้แทนการเป็นเพียงหลักสูตรเพิ่มในประวัติ

ตัวอย่างนี้แสดงจุดที่การออกแบบงานใหม่มีความหมายจริง ถ้าฝ่ายการเงินยังคาดหวังให้นักวิเคราะห์ทำงานกระทบยอดเต็มวัน การสอนการพยากรณ์เพิ่มอาจไม่มีพื้นที่ให้ใช้ แต่ถ้าภาระงานเดิมลดลงและมีผู้รับงานวิเคราะห์ใหม่อย่างชัดเจน ทักษะที่ฝึกจึงมีทางเปลี่ยนเป็นผลงาน การวางแผนกำลังคนต้องนับทั้งเวลาที่ลดลง งานใหม่ที่เพิ่มขึ้น และความรับผิดชอบที่ยังอยู่กับคน

แผนจ้างเปลี่ยนได้ แต่ตัวเลขจากเดโมไม่ใช่ผลของทุกองค์กร

การแตกตำแหน่งเป็นงานย่อยทำให้แผนจ้างถูกถามใหม่ว่าองค์กรต้องการจำนวนคนเพิ่มจริง หรือมีงานบางส่วนที่คนปัจจุบันรับได้หลังปรับเครื่องมือและทักษะ ในรายงานของ TechTarget เดโมของ Workday นำแผนจ้าง 50 คนมาแยกตามงาน และประเมินว่าความต้องการในสถานการณ์ที่สาธิตเหลือ 42 คน นี่เป็นผลของตัวอย่างบนเวที ไม่ใช่อัตราลดการจ้างที่พิสูจน์แล้วกับลูกค้าทุกราย

ความต่างของตัวเลขในเดโมมาจากการมองปริมาณงานและความสามารถที่จะรองรับงาน แทนการยึดจำนวนคนตามแผนเดิมเพียงอย่างเดียว ถ้าคนในองค์กรมีทักษะใกล้เคียงและมีเวลาพอ การฝึกหรือโยกงานอาจตอบโจทย์ส่วนหนึ่ง หากปริมาณงานยังเกินกำลังหรือทักษะเฉพาะต้องใช้ทันที การจ้างเพิ่มยังเป็นทางเลือกที่มีเหตุผล ระบบช่วยเปิดทางเปรียบเทียบ แต่ไม่ทราบเงื่อนไขขององค์กรแต่ละแห่งแทนฝ่ายบริหารได้

การแปลงงานเป็นจำนวนคนต้องอาศัยสมมติฐานเรื่องเวลาที่ใช้ ความสม่ำเสมอของงาน และความสามารถของ AI ในงานนั้น หากสมมติฐานว่าระบบจัดการรายการประจำได้คลาดเคลื่อน จำนวนคนที่คำนวณได้ก็เปลี่ยน หากพนักงานเดิมไม่มีเวลาพอจะฝึกทักษะใหม่ แผนที่ดูประหยัดบนกระดาษอาจทำไม่ได้ในช่วงเปลี่ยนผ่าน ตัวเลขจึงมีค่าเมื่อผู้รับผิดชอบมองเห็นเงื่อนไขที่อยู่ข้างหลัง

Decision Intelligence มีบทบาทในจุดที่การวิเคราะห์งานต้องกลายเป็นการเปรียบเทียบทางเลือกด้านเวลาและต้นทุน การฝึกคนเดิมอาจดูช้ากว่าการจ้าง แต่ช่วยรักษาความรู้เฉพาะองค์กรไว้ การจ้างจากภายนอกอาจเติมความสามารถได้เร็วกว่า ทว่าใช้เวลาเริ่มงานและเรียนรู้กระบวนการ การตัดสินใจต้องพิจารณาความเร่งของงาน ปริมาณภาระที่เพิ่ม และทักษะที่มีอยู่จริงพร้อมกัน ไม่ใช่ดูคะแนนความเหมาะสมเพียงค่าเดียว

การออกแบบงานใหม่เป็นอีกทางเลือกหนึ่งเมื่อทั้งการฝึกและการจ้างไม่แก้ปัญหาหลัก หากกิจกรรมหนึ่งกระจายอยู่กับหลายตำแหน่ง องค์กรอาจรวมขั้นตอนที่คล้ายกันหรือเปลี่ยนจุดอนุมัติก่อนคิดจำนวนคนเพิ่ม ในทางกลับกัน หาก AI ทำให้เกิดงานกำกับดูแลและตรวจผลมากขึ้น ก็อาจต้องกำหนดบทบาทรับผิดชอบใหม่ การวิเคราะห์ระดับงานย่อยทำให้เห็นเหตุผลของการเปลี่ยนโครงสร้างดังกล่าวชัดกว่าการดูแผนอัตรากำลังอย่างเดียว

สำหรับองค์กรขนาดใหญ่ในไทยและเอเชียแปซิฟิก ความต่างระหว่างหน่วยงานมีผลต่อข้อสรุปมาก ทีมหนึ่งอาจมีคนพร้อมย้ายจากงานซ้ำไปงานวิเคราะห์ ขณะที่อีกทีมอาจมีภาระล้นอยู่ก่อน แม้ใช้ชื่อบทบาทเดียวกัน การรวมข้อมูลเป็นค่าเฉลี่ยทั้งองค์กรอาจซ่อนปัญหานี้ และทำให้การลดแผนจ้างของหน่วยหนึ่งถูกนำไปใช้กับอีกหน่วยโดยไม่มีเหตุผล ข้อมูลระดับงานย่อยจึงมีค่าก็ต่อเมื่อเชื่อมกับภาระจริงของทีมที่ต้องรับงาน

ผลจาก AI ไม่ได้จบที่เวลาซึ่งประหยัดได้ ขั้นตอนที่ระบบทำเร็วขึ้นอาจสร้างงานตรวจทานเพิ่ม หากข้อมูลตั้งต้นคลาดเคลื่อนหรือผลที่ได้ต้องแก้ซ้ำ เวลาที่คืนมาจึงต้องวัดคู่กับเวลาตรวจผลและแก้ข้อผิดพลาด การวางอัตรากำลังที่นับเฉพาะขั้นตอนซึ่งหายไปอาจประเมินความต้องการคนต่ำเกินไป โดยเฉพาะงานที่ต้องรับผิดชอบต่อความถูกต้องของผลลัพธ์

ข้อมูลทักษะช่วยตัดสินใจ แต่คนต้องรับผิดชอบผล

Workday วาง Work Intelligence และ Decision Intelligence ให้เป็นข้อมูลประกอบการตัดสินใจเกี่ยวกับคน โดยผู้บริหารยังเป็นผู้เลือกว่าจะทำอย่างไร หลักนี้สำคัญเมื่อข้อมูลลงละเอียดถึงงานของแต่ละคน เพราะรายการทักษะในระบบอาจไม่สะท้อนความสามารถที่พนักงานใช้ในงานข้ามทีม หรือความรู้ที่ไม่ได้กรอกไว้ในประวัติ หากใช้การจับคู่ทักษะเป็นคำตัดสินอัตโนมัติ การโยกย้ายและโอกาสเติบโตอาจขึ้นกับข้อมูลที่ขาดบริบท

สิ่งที่ระบบมองเห็นกับสิ่งที่พนักงานทำได้จริงอาจต่างกัน ผู้จัดการอาจรู้ว่าคนหนึ่งรับมือข้อยกเว้นได้ดี แม้ระบบแสดงประสบการณ์ด้านนั้นไม่ครบ พนักงานเองอาจเพิ่งฝึกทักษะใหม่ที่ยังไม่ปรากฏในข้อมูล การเปิดให้ทั้งสองฝ่ายเติมข้อมูลและทบทวนการจับคู่ทักษะ จึงช่วยให้การตัดสินใจเรื่องฝึก เลื่อนงาน หรือจ้างเพิ่มอาศัยภาพที่ครบขึ้น

คะแนนทักษะหนึ่งค่าไม่บอกคุณภาพของการตัดสินใจในงานทุกชนิด ผู้ที่ทำงานวิเคราะห์ได้ดีอาจมีความรู้จากการแก้ปัญหาเฉพาะหน้า ซึ่งไม่ปรากฏในคำอธิบายงาน ส่วนผู้ที่มีรายการทักษะตรงตามระบบอาจยังต้องฝึกกับกระบวนการจริงของทีม การใช้ผลวิเคราะห์อย่างรับผิดชอบจึงต้องมีทางให้ตรวจข้อมูลต้นทาง และให้เหตุผลเมื่อข้อเสนอจากระบบไม่ตรงกับข้อเท็จจริงของงาน

ข้อมูลภาระงานต้องทันกับการเปลี่ยนแปลงของกระบวนการด้วย หากงานจริงย้ายไปอยู่กับ AI แล้ว แต่คำอธิบายตำแหน่งยังเหมือนเดิม ระบบอาจบอกช่องว่างทักษะผิดด้าน หากมีงานตรวจสอบเพิ่มขึ้นโดยไม่ถูกบันทึก แผนอัตรากำลังก็อาจมองไม่เห็นต้นทุนที่แท้จริง การประเมินควรโยงงานที่ระบบรับไปกับงานใหม่ที่คนต้องทำต่อ และกับผู้รับผิดชอบเมื่อเกิดข้อผิดพลาด

เพราะ Work Intelligence ยังอยู่ในระยะเข้าถึงก่อน หลักฐานจากการใช้ในองค์กรจริงจะสำคัญกว่าตัวอย่างการสาธิต คำถามต่อไปคือฝ่ายบุคคลมองเห็นการย้ายเวลาของพนักงาน ทักษะที่พัฒนาขึ้น และภาระตรวจงาน AI ได้ครบเพียงใด หากข้อมูลเหล่านั้นเชื่อมกันได้ การตัดสินใจเรื่องฝึกคนหรือจ้างเพิ่มจะตั้งอยู่บนงานที่เกิดขึ้นจริงมากกว่าชื่อตำแหน่งบนแผนผัง