AI กับประสิทธิภาพการทำงาน: เมื่อผู้ที่สูญเสียงานกลับได้ประโยชน์สูงสุด?

AI กับประสิทธิภาพการทำงาน: เมื่อผู้ที่สูญเสียงานกลับได้ประโยชน์สูงสุด?ในช่วง 3 ปีที่ผ่านมา คำมั่นสัญญาเรื่อง AI ที่จะช่วยเพิ่มประสิทธิภาพการทำงานได้เริ่มมีหลักฐานเชิงประจักษ์ที่ชัดเจนขึ้นเรื่อยๆ คำถามสำคัญคือ "การทำงานร่วมกับ AI ช่วยให้เรามีประสิทธิภาพมากขึ้นจริงหรือ?" คำตอบคือ "ใช่" สำหรับบางคนและบางงาน แต่ก็ "ไม่" หรือแย่ลงสำหรับคนอื่น ๆ ผลลัพธ์ที่ได้นั้นมีอยู่จริง แต่กลับไม่ได้กระจายไปในทิศทางที่การตลาดเคยกล่าวอ้าง บทความนี้จะพาสำรวจว่าใครคือผู้ที่ได้รับประโยชน์ ใครคือผู้ที่ต้องจ่าย และทำไมเส้นแบ่งระหว่างทั้งสองกลุ่มนี้จึงแตกต่างไปจากที่คุณคิดใครคือผู้ที่ได้ประโยชน์จริง ๆ จาก AI?จากการศึกษาชิ้นสำคัญหลายชิ้นที่เกิดขึ้นในยุค AI ชี้ให้เห็นตรงกันว่า ประโยชน์ด้านประสิทธิภาพที่ได้จาก AI นั้นมีอยู่จริง แต่กระจายตัวอย่างไม่เท่าเทียมกัน โดยมักจะเอื้อประโยชน์ให้กับผู้ที่ ขาดประสบการณ์ มีขอบเขตงานที่ชัดเจน และ ผลลัพธ์ที่สามารถตรวจสอบได้ มากกว่าผู้เชี่ยวชาญที่ทำงานที่คุ้นเคย หรือองค์กรที่ลงทุนกับการทดลองนำร่องพนักงานคอลเซ็นเตอร์: ได้รับการพิสูจน์ว่ามีประสิทธิภาพเพิ่มขึ้นเฉลี่ย 14% โดยเฉพาะอย่างยิ่ง พนักงานใหม่ ที่มีประสบการณ์น้อยได้รับประโยชน์ถึง 34% ในขณะที่พนักงานที่มีประสบการณ์มากแทบไม่เห็นความแตกต่าง (Brynjolfsson, Li & Raymond, Generative AI at Work, NBER/QJE)ที่ปรึกษา BCG: ผู้ที่ใช้ GPT-4 สามารถทำงานได้มากขึ้น 12.2% เร็วขึ้น 25% และมีคุณภาพงานที่ดีขึ้น แต่มีข้อแม้ว่าต้องอยู่ภายใน "ขอบเขตที่ AI ทำได้ดี" (AI's "jagged frontier") หากเป็นงานที่อยู่นอกขอบเขตนี้ ที่ปรึกษาที่ใช้ AI กลับมีความผิดพลาดมากขึ้นถึง 19% (Dell'Acqua et al., SSRN)นักพัฒนาโอเพนซอร์ส: พบว่าใช้เวลานานขึ้น 19% เมื่อทำงานกับโค้ดเบสของตนเองโดยใช้ AI ทั้งที่เชื่อว่าตนเองทำงานเร็วขึ้น 20% (METR randomized trial, arXiv 2507.09089)โครงการนำร่อง GenAI ในองค์กร: ถึง 95% ไม่สามารถวัดผลกระทบต่อกำไรขาดทุนที่ชัดเจนได้ (MIT NANDA, State of AI in Business 2025, via Fortune)เมื่อนำข้อมูลเหล่านี้มารวมกัน จะเห็นได้ว่า AI นั้นช่วยยกระดับ ผู้ที่อยู่ระดับล่าง ให้ดีขึ้น ไม่ใช่ผู้ที่อยู่ระดับบนสุดAI ช่วยใครให้เร็วขึ้น? (และอาจไม่ใช่คนที่คุณคิด)ผลการศึกษาที่ชัดเจนที่สุดและขัดกับความคาดหมายมากที่สุดคือ AI ช่วยยกระดับ ผู้ที่มีผลงานต่ำกว่าเกณฑ์เฉลี่ย ให้ดีขึ้นในงานวิจัยของ Brynjolfsson ที่ศึกษาพนักงานสนับสนุนกว่า 5,179 คน พบว่า 14% ที่เพิ่มขึ้นมานั้นมาจากพนักงานใหม่เป็นส่วนใหญ่ ในขณะที่พนักงานที่มีประสบการณ์มากแทบไม่เปลี่ยนแปลง AI ทำงานโดยการถ่ายทอดความรู้และประสบการณ์ที่ดีที่สุดของพนักงานที่มีฝีมือ ส่งต่อไปยังพนักงานใหม่ ทำให้การเรียนรู้ที่เคยใช้เวลาหลายเดือน กลายเป็นเพียงการป้อนคำสั่ง (prompt) ไม่กี่ครั้งการทดลองของ BCG/HBS ก็พบผลลัพธ์ในทิศทางเดียวกัน คือ ผู้ที่มีผลงานต่ำกว่าเกณฑ์ได้ประโยชน์มากที่สุด และเทคโนโลยีนี้ช่วยลดช่องว่างระหว่างที่ปรึกษาที่อ่อนแอและแข็งแกร่งแต่สำหรับ ผู้เชี่ยวชาญ กลับเป็นอีกเรื่องหนึ่ง การทดลองของ METR พบว่านักพัฒนาที่มีประสบการณ์ 16 คน ใช้เวลานานขึ้น 19% เมื่อได้รับอนุญาตให้ใช้ AI ช่วยทำงานกับโค้ดที่พวกเขาดูแลอยู่ ที่น่าตกใจคือ พวกเขาคาดว่าจะเร็วขึ้น 24% และแม้จะทำงานเสร็จช้าลง ก็ยังเชื่อว่า AI ช่วยให้เร็วขึ้น 20% พวกเขาไม่สามารถรับรู้ถึง "ต้นทุนแฝง" ที่ต้องจ่ายไปได้"พรมแดนที่ขรุขระ" (Jagged Frontier) ของ AIแนวคิดสำคัญที่อธิบายปรากฏการณ์นี้คือ "พรมแดนที่ขรุขระ" (jagged frontier) ซึ่งหมายถึง AI เก่งมากในบางงาน แต่ก็ผิดพลาดได้อย่างมั่นใจในงานที่ใกล้เคียงกัน และเส้นแบ่งระหว่างสองส่วนนี้กลับมองไม่เห็นและไม่สม่ำเสมอภายในพรมแดน: ที่ปรึกษา BCG ทำงานได้ยอดเยี่ยมนอกพรมแดน: เมื่อเจองานที่ดูคล้ายกัน แต่ต้องอาศัยการตัดสินใจที่ AI ขาดไป ที่ปรึกษาที่ใช้ AI กลับมีแนวโน้มที่จะผิดพลาดมากขึ้น เพราะความมั่นใจของเครื่องมือ AI นั้นดูเหมือนกันทั้งสองฝั่งของเส้นแบ่งดังนั้น ประสิทธิภาพที่ได้จึงไม่ใช่คุณสมบัติของ AI เพียงอย่างเดียว แต่เป็นการจับคู่ระหว่าง งาน เครื่องมือ และ ความสามารถของมนุษย์ในการแยกแยะว่าเมื่อใดที่ AI กำลังหลอกลวงองค์กรกำลังจ่ายค่าอะไร?หากบุคคลทั่วไปได้รับประโยชน์ที่แท้จริง (แม้จะกระจายตัว) ภาพรวมขององค์กรกลับดูเปราะบางกว่าโครงการนำร่องที่สูญเปล่า: การศึกษาของ MIT NANDA พบว่า 95% ของโครงการ GenAI ไม่สามารถสร้างรายได้ที่เพิ่มขึ้นได้อย่างรวดเร็ว ส่วนใหญ่หยุดชะงักโดยไม่มีผลกระทบต่อกำไรขาดทุนที่วัดผลได้ ปัญหาไม่ใช่คุณภาพของโมเดล แต่เป็น "ช่องว่างในการเรียนรู้" (learning gap) ขององค์กรที่นำ AI มาใช้กับเวิร์กโฟลว์เดิม ๆ โดยไม่ได้ปรับเปลี่ยนต้นทุนที่พุ่งสูง: บริษัทต่าง ๆ กำลัง "พยายามหยุดการใช้จ่ายด้าน AI ที่สูงเกินไป" เนื่องจากค่าใช้จ่ายในการประมวลผล (inference bills) พุ่งสูงขึ้นความล้มเหลวที่ตรงกันข้าม: กรณีของ Ford ที่ "จ้าง AI และปลดพนักงาน" แต่กลับได้ผลลัพธ์ที่แย่ลง กำลังถูกยกเป็นตัวอย่างที่ตรงกันข้ามกับสิ่งที่นำเสนอในเด็คการนำเสนอโครงการต้นทุนที่ซ่อนเร้นที่เดโมมักจะมองข้ามมีต้นทุน 3 ประการที่มักไม่ปรากฏในแดชบอร์ดประสิทธิภาพ แต่กลับส่งผลกระทบอย่างมาก:ต้นทุนแรงงานมนุษย์ที่ซ่อนเร้น: "ประสิทธิภาพ AI" จำนวนมาก แท้จริงแล้วคือประสิทธิภาพของ มนุษย์ ที่ถูกย้ายไปและทำให้มองไม่เห็น ระบบ AI ถูกฝึกฝนและแก้ไขโดยกลุ่มคนงานด้านข้อมูลจำนวนมาก ซึ่งหลายคนอยู่ในประเทศกำลังพัฒนาและได้รับค่าจ้างในอัตราที่ต่ำกว่ามาก แรงงานเหล่านี้ทำให้ผลลัพธ์ดูเหมือนเป็นอัตโนมัติ แต่เบื้องหลังมักไม่ใช่เช่นนั้นผลประโยชน์ที่ถูกใช้ไปกับงานที่มากขึ้น: เมื่อ AI ช่วยลดงานที่ซ้ำซาก ชั่วโมงที่ประหยัดได้กลับถูกเติมเต็มด้วยงานที่มีเดิมพันสูงขึ้นและรอบการทำงานที่เร็วขึ้น เวลาที่ประหยัดได้กลายเป็นการผลิตที่มากขึ้นการสูญเสียทักษะ (Skill atrophy): วิศวกรเริ่มเขียนบทความแสดงความกังวลว่า AI กำลังกัดกร่อน "สภาวะลื่นไหล" (flow state) ที่ทำให้การเขียนโค้ดมีความหมาย และการมอบหมายส่วนที่ยากให้กับ AI อย่างเงียบ ๆ กำลังบั่นทอนความเชี่ยวชาญที่องค์กรจะต้องการในอนาคตเมื่อเครื่องมือ AI ผิดพลาดความเชื่อมโยงระหว่างประสิทธิภาพและงานสิ่งที่น่าสนใจคือ นักเศรษฐศาสตร์ที่วิจัยและพบว่า AI ทำให้ พนักงานระดับล่างมีประสิทธิภาพมากขึ้น คือคนเดียวกับที่ดูแลแดชบอร์ดที่แสดงให้เห็นว่า AI กำลัง ทำให้พนักงานระดับล่างตกงานข้อมูลจาก Canaries indicator ที่ใช้ข้อมูลบัญชีเงินเดือน แสดงให้เห็นว่า การจ้างงานสำหรับกลุ่มอายุ 22-25 ปี ในตำแหน่งงานที่ได้รับผลกระทบจาก AI มากที่สุด กำลังลดลง ในขณะที่ตำแหน่งงานที่ได้รับผลกระทบน้อยกว่ากลับเพิ่มขึ้น นี่เป็นหลักฐานขนาดใหญ่ชิ้นแรกที่บ่งชี้ว่า ขั้นบันไดการไต่เต้ากำลังถูกดึงขึ้นไปทั้งสองข้อค้นพบนี้ไม่ได้ขัดแย้งกัน แต่เป็น ข้อเท็จจริงเดียวกัน AI มอบประโยชน์ด้านประสิทธิภาพสูงสุดให้กับผู้เริ่มต้น ซึ่งเป็นเหตุผลว่าทำไมตำแหน่งงานของผู้เริ่มต้นจึงเป็นตำแหน่งแรกที่บริษัทตัดสินใจว่าสามารถทำได้โดยไม่ต้องมีคนAI กับประสิทธิภาพการทำงาน: คู่มือภาคสนามคำตอบที่ตรงไปตรงมาไม่ใช่ "ใช่" หรือ "ไม่" แต่เป็น ชุดของเงื่อนไขAI ช่วยเพิ่มประสิทธิภาพได้อย่างน่าเชื่อถือเมื่อ:งานมีขอบเขตชัดเจน และ ผลลัพธ์สามารถตรวจสอบได้ (คุณสามารถแยกแยะที่ดีจากไม่ดีได้อย่างรวดเร็ว)งานนั้นอยู่ภายในขีดความสามารถของโมเดลผู้ปฏิบัติงานเป็นผู้เริ่มต้นในงานประจำ หรือ ผู้เชี่ยวชาญที่ปฏิบัติต่อ AI ในฐานะร่างต้นฉบับที่ต้องตรวจสอบ ไม่ใช่คำพยากรณ์ที่เชื่อถือได้เสมอไปAI จะล้มเหลวหรือส่งผลย้อนกลับเมื่อ:งานนั้นต้องอาศัยการตัดสินใจที่เปิดกว้างมนุษย์ไม่สามารถตรวจสอบคำตอบได้ง่ายผู้เชี่ยวชาญทำงานได้เร็วกว่ากระบวนการตรวจสอบ AI อยู่แล้วองค์กรซื้อเครื่องมือมาโดยไม่ได้ออกแบบเวิร์กโฟลว์ใหม่รอบ ๆ มันผู้ชนะไม่ใช่คนที่มีทักษะทางเทคนิคมากที่สุดหรือน้อยที่สุด แต่เป็น ผู้ที่รู้ขอบเขตของพรมแดนที่ขรุขระนั้นอย่างแม่นยำ และไม่เคยไว้วางใจเครื่องมือเกินกว่าจุดนั้นสรุปประเด็นสำคัญผลประโยชน์กระจุกตัวที่ฐาน: ประโยชน์ด้านประสิทธิภาพที่วัดได้มากที่สุดจาก AI มักตกอยู่กับผู้เริ่มต้นและผู้ที่มีผลงานต่ำกว่าเกณฑ์เฉลี่ย สำหรับผู้เชี่ยวชาญในงานที่คุ้นเคย ผลกระทบจะลดลงจนเป็นศูนย์หรือติดลบอย่าเชื่อความรู้สึก: นักพัฒนาใน METR ทำงานช้าลง 19% แต่รู้สึกว่าเร็วขึ้น 20% การอ้างว่า "เร็วขึ้น 10 เท่า" โดยไม่สามารถวัดผลได้จริงนั้นไม่ใช่หลักฐานองค์กรคือคอขวด: 95% ของโครงการนำร่องในองค์กรไม่ให้ผลตอบแทน สิ่งที่ได้ผลคือการใช้เครื่องมือที่ตรงเป้าและออกแบบเวิร์กโฟลว์ใหม่ ไม่ใช่แค่การนำ AI มาเสริมเรื่องประสิทธิภาพและงานคือเรื่องเดียวกัน: AI ช่วยเหลือพนักงานระดับล่างมากที่สุด ซึ่งเป็นเหตุผลว่าทำไมตำแหน่งงานระดับล่างจึงถูกตัดออกก่อน ควรวางแผนสำหรับ "ท่อส่งผู้เชี่ยวชาญ" ที่ขาดหายไปตั้งแต่วันนี้#AI #ประสิทธิภาพการทำงาน #อนาคตการทำงาน #เทคโนโลยีAI #การเพิ่มผลผลิตhttps://aiweekly.co/issues/ai-productivity-it-works-best-for-the-people-losing-their