AI กับการเพิ่มประสิทธิภาพการทำงาน: ใครได้ประโยชน์จริง?

AI กับการเพิ่มประสิทธิภาพการทำงาน: ใครได้ประโยชน์จริง?ในยุคที่ AI เข้ามามีบทบาทสำคัญในชีวิตประจำวันและที่ทำงาน คำถามที่หลายคนสงสัยคือ "การทำงานร่วมกับ AI ช่วยเพิ่มประสิทธิภาพการทำงานได้จริงหรือไม่?" จากข้อมูลการศึกษาล่าสุดที่รวบรวมมา พบว่าคำตอบไม่ใช่แค่ "ใช่" หรือ "ไม่ใช่" แต่มีความซับซ้อนและแตกต่างกันไปในแต่ละบุคคลและลักษณะงานAI เพิ่มประสิทธิภาพจริงหรือไม่? ความจริงที่ซ่อนอยู่จากการศึกษาจำนวนมากชี้ให้เห็นว่า AI สามารถเพิ่มผลิตภาพได้อย่างชัดเจน แต่ผลลัพธ์กลับกระจายตัวไม่เท่าเทียมกัน และมักจะเป็นประโยชน์ต่อผู้ที่ ไม่ค่อยมีประสบการณ์ ในงานนั้นๆ, งานที่มีขอบเขตชัดเจน และ ผลลัพธ์ที่ตรวจสอบได้ มากกว่าผู้เชี่ยวชาญที่ทำงานที่คุ้นเคย หรือองค์กรที่ทดลองใช้ AI ในโครงการนำร่องตัวอย่างที่น่าสนใจจากงานวิจัยพนักงานสนับสนุนลูกค้า: ได้รับการพิสูจน์ว่ามีประสิทธิภาพเพิ่มขึ้นเฉลี่ย 14% แต่ทว่า ผู้ที่เพิ่งเริ่มต้นงาน (Novices) กลับมีประสิทธิภาพเพิ่มขึ้นถึง 34% ในขณะที่ผู้มีประสบการณ์ (Veterans) แทบไม่เปลี่ยนแปลงที่ปรึกษา BCG: การใช้ GPT-4 ช่วยให้ทำงานได้เร็วขึ้น 25% และมีคุณภาพงานสูงขึ้น แต่มีเงื่อนไขคือต้องอยู่ภายใน "ขอบแดนที่AI ทำได้ดี" (Jagged Frontier) เมื่ออยู่นอกขอบแดนนี้ AI กลับทำให้การตัดสินใจผิดพลาดมากขึ้นถึง 19%นักพัฒนา Open-source: ผู้ที่มีประสบการณ์กลับทำงานช้าลง 19% เมื่อใช้ AI กับโค้ดของตัวเอง ทั้งที่เชื่อว่าตัวเองทำงานเร็วขึ้นถึง 20%โครงการนำร่อง GenAI ในองค์กร: มากถึง 95% ของโครงการเหล่านี้ไม่สามารถวัดผลกระทบต่อกำไรขาดทุนได้เลยAI ช่วยใครให้เร็วขึ้น? ไม่ใช่คนที่คุณคิด!ข้อมูลที่ชัดเจนที่สุดและสวนทางกับความคาดหมายคือ AI ช่วยยกระดับผู้ที่อยู่ระดับล่างให้ดีขึ้น ไม่ใช่ผู้ที่เก่งที่สุดงานวิจัยของ Brynjolfsson ชี้ว่า AI ทำงานโดยการรวบรวมความรู้เชิงปฏิบัติ (tacit know-how) ของพนักงานที่เก่งที่สุด แล้วนำมาส่งต่อให้กับพนักงานใหม่ ทำให้การเรียนรู้ที่เคยใช้เวลาหลายเดือน ถูกบีบอัดมาอยู่ในรูปแบบของการป้อนคำสั่ง (prompt) ได้ในทางกลับกัน การทดลองกับที่ปรึกษาพบว่า ผู้ที่มีผลการปฏิบัติงานต่ำกว่าค่าเฉลี่ยกลับได้รับประโยชน์มากที่สุดจาก AI ซึ่งช่วยลดช่องว่างระหว่างที่ปรึกษาที่อ่อนแอและแข็งแกร่งเมื่อผู้เชี่ยวชาญเผชิญหน้ากับ AI: ช้าลงแต่ไม่รู้ตัวในทางตรงกันข้าม การทดลองกับนักพัฒนาที่มีประสบการณ์กลับพบว่า พวกเขาใช้เวลานานขึ้น 19% เมื่อใช้เครื่องมือ AI กับฐานโค้ดที่พวกเขาดูแลอยู่ ที่น่าตกใจคือ นักพัฒนาเหล่านี้คาดว่าจะทำงานเร็วขึ้น 24% และหลังจากทำงานเสร็จแล้ว ก็ยังคงเชื่อว่า AI ช่วยให้พวกเขาทำงานเร็วขึ้นถึง 20% พวกเขาไม่สามารถรับรู้ "ต้นทุนที่ต้องจ่าย" ไปได้"ขอบแดนที่ AI ทำได้ดี" (Jagged Frontier): กุญแจสำคัญที่มองไม่เห็นแนวคิดเรื่อง "ขอบแดนที่ AI ทำได้ดี" อธิบายได้ว่า AI เก่งมากในบางงาน แต่ก็ผิดพลาดได้อย่างมั่นใจในงานข้างเคียง และเส้นแบ่งระหว่างสองสิ่งนี้มักจะมองไม่เห็นและไม่แน่นอนภายในขอบแดน: ที่ปรึกษาที่ใช้ AI ทำงานได้ดีเยี่ยมนอกขอบแดน: ที่ปรึกษาที่ใช้ AI กลับมีแนวโน้มที่จะผิดพลาดมากขึ้น เพราะความมั่นใจในการแสดงผลของ AI นั้นเหมือนกัน ไม่ว่าจะถูกหรือผิดดังนั้น ประสิทธิภาพการทำงานจึงไม่ใช่คุณสมบัติของ AI เพียงอย่างเดียว แต่เป็นผลลัพธ์ของการจับคู่ที่ลงตัวระหว่าง ลักษณะงาน, เครื่องมือ AI และ ความสามารถของมนุษย์ในการแยกแยะได้ว่า AI กำลังบอกความจริงหรือไม่ใครคือผู้จ่ายค่าใช้จ่ายสำหรับผลลัพธ์ที่มองไม่เห็น?แม้ว่าบางบุคคลจะเห็นผลลัพธ์ที่แท้จริง (แม้จะแตกต่างกันไป) แต่สำหรับองค์กร ภาพรวมกลับดูน่ากังวลกว่าโครงการนำร่อง GenAI: มากถึง 95% ไม่สามารถสร้างผลกำไรได้ทันที โดยมีสาเหตุหลักมาจาก "ช่องว่างการเรียนรู้" (learning gap) คือองค์กรนำ AI มาใช้กับกระบวนการทำงานเดิมๆ โดยไม่ได้ปรับเปลี่ยนโครงการที่ซื้อจากผู้จำหน่าย: มักประสบความสำเร็จมากกว่าโครงการที่พัฒนาภายในผลตอบแทนที่แท้จริง (ROI): กลับพบได้ในระบบอัตโนมัติที่อยู่เบื้องหลัง (back-office automation) ที่ไม่หวือหวา มากกว่าเครื่องมือการขายและการตลาดที่ใช้งบประมาณส่วนใหญ่ไปตลาดกำลังประสบปัญหาจากช่องว่างนี้ บริษัทต่างๆ กำลัง "พยายามหยุดการใช้จ่ายด้าน AI ที่มากเกินไป" เนื่องจากค่าใช้จ่ายในการประมวลผล (inference bills) ที่พุ่งสูงขึ้นต้นทุนที่ซ่อนเร้นซึ่งไม่มีในแดชบอร์ดประสิทธิภาพนอกเหนือจากตัวเลขประสิทธิภาพที่วัดได้ ยังมีต้นทุนที่มองไม่เห็นอีก 3 ประการที่ส่งผลกระทบอย่างมาก:ต้นทุนแรงงานมนุษย์ที่มองไม่เห็น: "ประสิทธิภาพ AI" จำนวนมาก จริงๆ แล้วคือการย้ายแรงงานมนุษย์ไปอยู่เบื้องหลัง ระบบ AI ถูกฝึกฝนและแก้ไขโดยแรงงานจำนวนมาก (หลายคนอยู่ใน Global South) ที่ได้รับค่าจ้างน้อยกว่า ทำให้ผลลัพธ์ดูเหมือนทำงานได้เอง แต่เบื้องหลังกลับต้องอาศัยแรงงานที่มองไม่เห็นผลลัพธ์ที่ถูกใช้ไปกับการทำงานที่มากขึ้น: แทนที่จะทำงานน้อยลง ชั่วโมงที่ประหยัดได้จากการใช้ AI กลับถูกเติมเต็มด้วยงานที่มีความสำคัญสูงขึ้นและวงจรการทำงานที่เร็วขึ้น ทำให้ต้องทำงานหนักขึ้นกว่าเดิมการสึกกร่อนของทักษะ (Skill atrophy): ผู้เชี่ยวชาญเริ่มกังวลว่า AI กำลังกัดกร่อน "สภาวะลื่นไหล" (flow state) ที่ทำให้งานมีคุณค่า และการละทิ้งส่วนที่ยากไปเรื่อยๆ อาจทำให้ทักษะที่องค์กรต้องการในอนาคตลดน้อยลงความสัมพันธ์ระหว่างประสิทธิภาพและงาน: เรื่องเดียวกัน?นักเศรษฐศาสตร์ที่พบว่า AI ทำให้พนักงานระดับล่างมีประสิทธิภาพมากขึ้น ก็เป็นคนเดียวกับที่พบว่า AI ทำให้พนักงานระดับล่างตกงานข้อมูลชี้ให้เห็นว่า AI ส่งมอบการเพิ่มผลิตภาพสูงสุดให้กับ ผู้เริ่มต้นงาน ซึ่งเป็นเหตุผลว่าทำไมตำแหน่งงานของผู้เริ่มต้นจึงเป็นตำแหน่งแรกที่บริษัทตัดสินใจว่าสามารถลดทอนได้ เรากำลังทำให้ขั้นบันไดที่เคยใช้ปีนขึ้นไปสู่การเป็นผู้เชี่ยวชาญที่ AI ไม่สามารถแทนที่ได้ กลายเป็นสิ่งที่ถูกทำให้เป็นอัตโนมัติอย่างมีประสิทธิภาพที่สุดAI กับการทำงาน: คู่มือภาคสนามคำตอบที่ตรงไปตรงมาไม่ใช่ "ใช่" หรือ "ไม่ใช่" แต่ขึ้นอยู่กับ เงื่อนไขAI เพิ่มประสิทธิภาพได้อย่างน่าเชื่อถือเมื่อ:ลักษณะงานมีขอบเขตชัดเจนและผลลัพธ์สามารถตรวจสอบได้งานนั้นอยู่ในขอบเขตความสามารถของโมเดล AIผู้ทำงานเป็นผู้เริ่มต้นในงานประจำ หรือเป็นผู้เชี่ยวชาญที่ปฏิบัติต่อ AI ในฐานะ "ร่างแรก" ที่ต้องตรวจสอบ ไม่ใช่องค์แห่งความรู้AI ล้มเหลวหรือส่งผลเสียเมื่อ:ลักษณะงานต้องอาศัยวิจารณญาณที่เปิดกว้างผู้ใช้งานไม่สามารถตรวจสอบคำตอบของ AI ได้ง่ายผู้เชี่ยวชาญทำงานได้เร็วกว่าวงจรการตรวจสอบ AIองค์กรซื้อเครื่องมือ AI มาใช้โดยไม่ได้ออกแบบกระบวนการทำงานใหม่ให้รองรับผู้ที่ได้รับประโยชน์สูงสุดคือ ผู้ที่รู้ขอบแดนที่ AI ทำได้ดีอย่างแท้จริง และไม่เคยไว้วางใจเครื่องมือเกินกว่านั้นสรุปประเด็นสำคัญผลประโยชน์กระจุกตัวที่ฐาน: การเพิ่มผลิตภาพสูงสุดของ AI เกิดขึ้นกับผู้เริ่มต้นและผู้ที่มีผลการปฏิบัติงานต่ำกว่าค่าเฉลี่ย สำหรับผู้เชี่ยวชาญในงานที่คุ้นเคย ผลกระทบจะลดลงหรือกลับทิศทางความรู้สึกอาจหลอกลวง: การที่รู้สึกว่าทำงานเร็วขึ้นไม่ได้เป็นหลักฐาน การวัดปริมาณงานที่ทำได้จริง (verifiable throughput) คือสิ่งสำคัญองค์กรคือคอขวด: 95% ของโครงการนำร่องในองค์กรไม่ให้ผลตอบแทนใดๆ โครงการที่สำเร็จ 5% มักจะเลือกใช้เครื่องมือที่ตรงเป้าหมายและปรับเปลี่ยนกระบวนการทำงานประสิทธิภาพและงานคือเรื่องเดียวกัน: AI ช่วยเหลือพนักงานระดับจูเนียร์มากที่สุด ซึ่งก็คือเหตุผลว่าทำไมตำแหน่งงานระดับจูเนียร์จึงถูกตัดออกเป็นอันดับแรก ควรวางแผนสำหรับ "ท่อส่งผู้เชี่ยวชาญ" ที่กำลังจะหายไป#AI #Productivity #FutureOfWork #GenerativeAI #TechTrendshttps://aiweekly.co/issues/ai-productivity-it-works-best-for-the-people-losing-their