3 คำถามเช็คเบื้องต้น ก่อนตัดสินใจแทนงานด้วย AI

อยากทำ self-reflection ให้ได้ทุกวัน

Ref: Three Ways to Think About AI and Jobs [https://www.theatlantic.com/economy/2026/06/ai-job-displacement-questions/687503/]

ปี 2016 Geoffrey Hinton ประกาศไว้ว่า ให้เลิกเรียนรังสีเทคนิคซะเพราะ ในอีก 5 ปี Deep learning จะสามารถแทนที่นักรังสีเทคนิคได้แล้ว มาจนวันนี้ มันก็ถูกนะ แต่แค่ครึ่งเดียว จริงอยู่ว่ามีการจดสิทธิบัตร AI ด้าน Radiology กว่า 1000ชิ้น บางอันก็สามารถวิเคราะห์ภาพโรค หรืออาการบาดเจ็บ ได้แม่นยำกว่าผู้เชี่ยวชาญไปละ แต่แต่แต่ กลายเป็นว่า มนุษย์นักรังสีเทคนิคกลับเป็นที่ต้องการมากขึ้นนะ แถมเงินเดือนเฉลี่ย ก็เพิ่มขึ้นด้วย (อ้างอิงตลาดงาน US นะ)

คนชอบกลัวว่า AI จะมาแทนทุกอาชีพไปซะหมด โดยเฉพาะงานออฟฟิศนั่งโต๊ะ (White collar job) แต่ถ้าเรามองจากเรื่องราวของนักรังสีเทคนิคข้างบนนี้

คำตอบว่า AI จะมาแทนคนหรืออาชีพที่มีผู้เชี่ยวชาญด้านนั้นๆ อาจจะไม่ได้ตรงไปตรงมาขนาดนั้น

คำถามแรกที่ต้องคิดก่อนคือ งานของเรา เป็น Package แบบไหน ? Luis Garicano นักเศรษฐศาสตร์ที่ออกหนังสือ Messy Jobs บอกว่า งานประเภทนั่งโต๊ะ หรือ White collar ประกอบด้วยงาน 2 แบบ

• แบบแรกคือ Clean tasks งานประเภทคาดเดาได้ มีวัตถุประสงค์ชัดเจน มีการเขียนหรือบันทึก transaction เยอะๆ แต่ มีการทำงานร่วมกับคนอื่นน้อย (ลองนึกถึงงานพวก admin tasks: input data ต่างๆ ใดใด) งานพวกนี้ก็ง่ายแหละ ที่ AI จะมาแทน
• งานอีกประเภท ที่ลูอิสเรียกว่า Messy tasks จะเป็นงานประเภทที่คาดเดาทิศทางต่อไปยาก งานที่ต้องคุยกับคนนั้นคนนี้ รันมีตติ้งที่จะต้องตีความผลแบบ Subjective (ลองนึกภาพ มีตติ้งที่เราคุยกันเรื่อง Logo Design หรือ รับมือลูกค้าที่กำลังพิโรธดู) หรือว่า งานประเภทที่ยังดำเนินไปด้วยความรู้ที่ไม่ได้ถ่ายทอดออกมาให้ชัดแจ้ง AI อาจจะยังแทนที่งานพวกนี้ได้ไม่ดีนักนะ (อาจจะยังน้า)

ทีนี้สเต็ปต่อไป ให้เรา Define ว่า แล้วส่วนประกอบของ Clean tasks + Messy tasks มันเป็นแบบไหนระหว่าง

1. Strong bundles ลองนึกถึง งานทนายความ จริงอยู่ที่มันมีส่วนงานประเภทที่ ผู้คนคิดว่าเอา AI มาแทนได้ เช่นเตรียมข้อมูล เอกสาร ก่อนขึ้นโต้แย้งในศาล ไม่ว่าจะเป็นการ research case อื่นๆ ที่เกี่ยวข้อง หรือตรวจสอบเคสของตัวเองที่ต้องทำ เขียนดราฟท์ข้อเท็จจริง ข้อโต้แย้ง ซึ่งใดใดเหล่านี้ดันกินกระบวนการเยอะกว่าการขึ้นว่าความซะอีกมั้ง เราจะเอางานพวกนี้ โยนให้ AI LLM ช่วยย่อยให้เรากินง่ายๆก็ได้นะ แต่แต่แต่ เคยเห็นสรุปของ AI ปะ บางทีมันจะชอบตัดประเด็นเล็กประเด็นน้อยออกไป นั่นแหละความน่ากลัว What if ประเด็นเล็กๆ นั่นมันมีผลต่อคดีของเราล่ะ สมมติว่าเราเป็นโจทก์หรือจำเลย เราก็คงอยากได้ทนายที่ทะลุปรุโปร่งกับเคสของเรามากจนพร้อมที่จะ ตอบทุกคำถามของศาล ทุกคำโต้แย้งของอีกฝั่ง แล้วก็พร้อมจะปรับกลยุทธ์ตัวเองในชั้นศาลเวลาที่บริบทมันค่อยๆเปลี่ยนแปลงไป สิ่งเหล่านี้แหละ ที่การ prepare case เอง หรือพวก clean tasks มันมีผลต่อ messy tasks และนั่นทำให้งานนี้เป็น แพ็คเกจแบบ strong bundle
2. Weak bundles ลองนึกถึง งาน HR (จริงๆ เราไม่ค่อยชอบการตัวอย่างงาน HR เท่าไหร่เลย มันดูกลายเป็น popular job ที่คนชอบตีค่าว่า ไม่ค่อยมีอะไร) ในบทความยกตัวอย่างงาน HR ว่าการสแกนอ่าน resume คืองานที่ AI แทนได้ง่ายสุด แล้ว HR ก็เอาเวลาไปทำอย่างอื่น เช่น คุย scope กับ hiring manager หรือว่า interview candidate

ทีนี้ งาน weak bundles พวกนี้ จับมัน Automated ซะ จะทำให้ดีมานด์ตำแหน่งพวกนี้ลดลงมั้ย คำตอบขึ้นกับ

คำถามที่เราต้องถามตัวเองกันต่อถัดไป สิ่งที่เราทำ ถ้าเราทำมันได้ถูกลง คนจะอยากได้มันมากขึ้นมั้ย? ลองนึกถึงรถยนต์ ก่อน 1913 ต้องใช้คนงานเยอะแยะประกอบมันขึ้นมา จนกระทั่ง Henry Ford หาวิธีทำ assembly line ความต้องการรถยนต์น้อยลงมั้ย อาจจะยัง และเรื่องราวแบบเดียวกันก็เกิดขึ้นกับอุตสาหกรรมสิ่งทอ อาหาร

ปรากฎการณ์ Lower costs led to increased demand หรือ Jevons paradox มาจากนักเศรษฯชื่อ William Stanley Jevons ที่ทำนายไว้ว่า เครื่องจักรผลิตถ่านหิน จะทำให้ความต้องการถ่านหินเพิ่ม

แต่แต่แต่ มันอาจไม่ใช่เรื่องราวดีดีไปซะหมด ยังเหลือคำถามสุดท้าย ที่เราต้องถามตัวเองให้จบก่อนจะดีใจว่า เราจะไม่ยังถูกกวาดทิ้ง แทนที่ด้วย AI คือ

ทักษะความรู้ ความเชี่ยวชาญ อยู่ที่ AI หรือ อยู่ที่เรา? ตัวอย่างที่ถูกยกมาคือ พนักงานบัญชี กับ เสมียนคลัง หลังจากบันทึก transaction กันมือหงิก ทั้งสองอาชีพ ก็มีคอมพิวเตอร์มาช่วย จากนั้นก็มีโปรแกรมมาช่วย (SAP, WMS, et cetera) สิ่งที่เกิดขึ้นกับสองอาชีพกลับแตกต่างในตอนต่อไปนะ คือ ฝั่งนึงจำนวนการจ้างงานเพิ่มจริง แต่ค่าแรงหรือเงินเดือนลดลง ซึ่งก็คือ เสมียนคลัง อีกฝั่งนึงกลายเป็นจำนวนแรงงานลดหายไป แต่ค่าแรงเพิ่ม ซึ่งก็คือ ฝั่งพนักงานบัญชีนั่นเอง

David Autor and Neil Thompson นักเศรษฐศาสตร์ MIT บอกว่า ความแตกต่างอยู่ที่ ความเชี่ยวชาญ นี่แหละ

• สำหรับพนักงานบัญชี สิ่งที่คอมพิวเตอร์หรือโปรแกรมมาแทนที่คือ ความเชี่ยวชาญส่วนน้อยที่มีอยู่ในตัว มันยังมีสกิลการคิดวิเคราะห์ หา discrepancies หรือว่าหาสาเหตุ variance budget ที่นักบัญชีต้องใช้
• แต่กับเสมียนคลัง สิ่งที่คอมพิวเตอร์หรือโปรแกรมมาแทน ดันเป็นฝั่งสกิลที่นับว่าเป็นความเชี่ยวชาญด้านใหญ่ จนงานที่เหลือให้ลงมือทำเองจริงๆ กลายเป็นงานเบสิคไปซะส่วนใหญ่

การเอา Framework question พวกนี้มาใช้ในการคิดว่า AI แทนงานเราได้มั้ย ก็อาจจะยังไม่ได้ ทำได้เลย แทนได้เลย เดี๋ยวนี้ ตอนนี้ ขนาดนั้นอะนะ เพราะเรายังไม่รู้เหมือนกันใช่มั้ยล่ะว่า AI จะสามารถพัฒนาตัวเองให้ expert ไปได้ขนาดไหน แต่ตอนนี้เรารู้ละว่า ตัวแปรสุดท้ายคือ เวลา ขึ้นกะเวลาแค่นั้นเอง เราก็เลือกเอาว่า จะพัฒนาตัวเองหนีมัน หรือโชคดีหน่อย ก็ตายซะก่อน ไม่เหนื่อยมาก (แต่ถ้ามาเกิดใหม่ ก็เหนื่อยหน่อยนะ)