ออกแบบบทบาทจากงานจริง เมื่อนำ AI เข้ามาช่วยทำงาน

การนำ AI มาช่วยงานควรเริ่มจากการออกแบบชุดงานใหม่ ไม่ใช่รีบตัดสินชะตาของชื่อตำแหน่ง พนักงานบริการอาจร่างคำตอบได้เร็วขึ้น แต่หัวหน้าทีมอาจได้คิวตรวจที่ยาวกว่า ผู้เชี่ยวชาญอาจรับข้อยกเว้นที่กำกวมขึ้น และต้องมีใครสักคนแก้ฐานความรู้ที่ผู้ช่วยนำไปใช้ หากผู้บริหารนับเฉพาะเวลาร่างที่ลดลง ตัวเลขกำลังรองรับจะดูดีเกินจริง งานที่ย้ายไปหาคนอื่นจะหายจากรายงาน และองค์กรอาจเปลี่ยนความคาดหวังของบทบาทก่อนกระบวนการใหม่จะทำงานได้มั่นคง วิธีที่รอบคอบกว่าคือทำบัญชีงานจริง ทดสอบชุด AI ที่ระบุได้ และกระทบยอดภาระทั้งหมดก่อนตัดสินเรื่องโครงสร้าง

เหตุใดจึงต้องเริ่มออกแบบบทบาทจากงานย่อย ไม่ใช่ชื่อตำแหน่ง?

ต้องเริ่มจากงานย่อยเพราะตำแหน่งหนึ่งรวมกิจกรรมที่ AI เปลี่ยนได้คนละแบบ บางงานอาจทำแทนได้ภายในขอบเขตแคบ บางงานได้เพียงตัวช่วย บางงานยังต้องให้คนทำ และบางหน้าที่เพิ่งเกิดขึ้นหลังนำ AI มาใช้ ดัชนีฉบับปรับปรุงของ ILO ประเมินโอกาสที่อาชีพจะสัมผัส Generative AI จากข้อมูลระดับงานย่อย และรายงานว่าภาพรวมมีแนวโน้มเป็นการเปลี่ยนรูปงานมากกว่าการแทนที่คน แต่ดัชนีไม่ได้วัดผลต่อกำลังคนในองค์กรหนึ่ง ส่วน OECD รายงานว่าคนทำงานจำนวนมากมีแนวโน้มพบ AI ผ่านการเปลี่ยนงานย่อยและสภาพแวดล้อมการทำงานมากกว่าผ่านการสูญเสียงาน และ AI อาจทำงานบางอย่างแทนคน เสริมงานอื่น หรือสร้างงานใหม่ภายในบทบาทเดียวกัน

คำว่า “มีโอกาสสัมผัส AI” จึงไม่เท่ากับ “ทำอัตโนมัติได้” และไม่ใช่หลักฐานว่าทีมในไทยจะมีผลิตภาพสูงขึ้นหรือต้องใช้คนน้อยลง คำถามแรกควรเป็นว่า งานใดเกิดขึ้นจริง ภายใต้เงื่อนไขใด ใครใช้อำนาจตัดสินใจ และงานข้างเคียงเปลี่ยนตามอย่างไร จากนั้นจึงค่อยถามว่าจะรวมงานที่เหลือ งานที่เปลี่ยน และงานใหม่กลับเป็นบทบาทกับทีมแบบใด การแยกหน่วยวิเคราะห์เช่นนี้ยังทำให้เห็นว่าผลลัพธ์เดียวอาจเกี่ยวข้องกับผู้ปฏิบัติงาน หัวหน้า ผู้เชี่ยวชาญ และเจ้าของระบบพร้อมกัน แทนที่จะซ่อนความสัมพันธ์ทั้งหมดไว้ใต้ชื่อตำแหน่งเดียว

• ระบุงานที่ลดลง งานที่ยังเป็นของคน งานที่ AI ช่วย และงานใหม่ที่เกิดจากการกำกับระบบ
• บันทึกเงื่อนไขจริงของงาน รวมถึงข้อมูลเข้า อำนาจ ผลกระทบ และเส้นทางเมื่อเกิดข้อยกเว้น
• ติดตามงานที่ย้ายไปยังหัวหน้า ผู้เชี่ยวชาญ ทีมข้อมูล หรือเจ้าของกระบวนการ
• ตัดสินบทบาททั้งชุดหลังเห็นความสัมพันธ์ของงาน ไม่ใช่จากคะแนนการสัมผัส AI ระดับอาชีพ

บัญชีงานสภาพปัจจุบันควรเก็บข้อมูลอะไรบ้าง?

บัญชีงานสภาพปัจจุบันควรบอกทั้งสิ่งที่ทำ เหตุที่งานเริ่ม เงื่อนไขที่ถือว่าเสร็จ และภาระจริงในช่วงเวลาที่ระบุ เขียนชื่องานเป็นคำกริยากับสิ่งที่ถูกกระทำ เช่น “ตรวจหลักฐานคำขอ” แทนคำกว้างอย่าง “ดูแลลูกค้า” แล้วบันทึกตัวกระตุ้น ข้อมูลเข้า ผลลัพธ์ ผู้รับงาน เจ้าของปัจจุบัน และทางเดินของข้อยกเว้น แยกขั้นตอนเมื่อหลักฐาน วิจารณญาณ ผลกระทบ หรือเจ้าของต่างกัน แต่รวมการเคลื่อนไหวย่อยได้เมื่อทุกส่วนเปลี่ยนพร้อมกันและใช้การควบคุมเดียวกัน รูปแบบนี้เป็นเครื่องมือปรับใช้ของกองบรรณาธิการ ไม่ใช่มาตรฐานที่แหล่งใดกำหนด

• ปริมาณและรูปแบบความต้องการในช่วงเวลาที่ระบุ รวมถึงช่วงพีกและคิวค้าง
• เวลาที่คนลงมือจริง แยกจากเวลารอผ่านระบบหรือรอการอนุมัติ
• ความแปรผัน กลุ่มข้อยกเว้น งานแก้ งานตีกลับ และความล้มเหลวที่เคยเกิด
• การพึ่งพา การส่งต่อ การปรึกษา การอนุมัติ และผลของความผิดพลาดหรือความล่าช้า
• ระดับวิจารณญาณ อำนาจ ความเป็นอิสระ และความรู้เฉพาะด้านที่ต้องใช้
• วิธีที่คนสร้างและรักษาความชำนาญ พร้อมแหล่งหลักฐานและระดับความมั่นใจของข้อมูลฐาน

ข้อมูลฐานที่น่าเชื่อถือควรมาจากหลายมุมร่วมกัน ได้แก่ การสังเกตงาน สัมภาษณ์ผู้ปฏิบัติงานกับผู้จัดการ ตรวจตัวอย่างงาน และดูบันทึกจากระบบ แหล่งหนึ่งไม่ควรทำหน้าที่แทนอีกแหล่ง เพราะบันทึกระบบอาจบอกเวลาได้แต่ไม่อธิบายเหตุผล ขณะที่การสัมภาษณ์อาจอธิบายเหตุผลได้แต่จำปริมาณคลาดเคลื่อน ต้องแยกเวลาที่คนลงมือออกจากเวลารอเสมอ เพราะแฟ้มที่รออนุมัติหนึ่งวันไม่ได้ใช้แรงงานหนึ่งวัน O*NET มีข้อความบรรยายงานย่อย การจัดอันดับงาน กิจกรรม และบริบทการทำงานที่เชื่อมโยงกับอาชีพ จึงใช้เป็นคำตั้งต้นของบัญชีงานได้ แต่ข้อมูลดังกล่าวไม่บอกปริมาณงาน เวลา วิจารณญาณ หรือผลกระทบในองค์กรของผู้อ่าน

ควรทดสอบงานแต่ละชิ้นอย่างไรก่อนแบ่งหน้าที่ให้คนหรือ AI?

ควรทดสอบแต่ละงานด้วยชุด AI ที่ตรึงและบันทึกส่วนประกอบไว้ พร้อมกรณีที่เป็นตัวแทนของการทำงานจริง ระบุแบบจำลอง เครื่องมือ พรอมป์ ข้อมูล การควบคุม วันทดสอบ และเกณฑ์ประเมินให้ครบ เพื่อให้ผลหมายถึงระบบหนึ่งชุด ไม่ใช่คำกว้างว่า “AI ทำได้” ชุดกรณีควรมีงานประจำที่เกิดบ่อย รูปแบบที่ถูกต้องแต่ต่างจากกรณีปกติ ขอบเขตกำกวม กรณีหายากแต่มีผลสูง ข้อมูลขาด ขัดกัน หรือล้าสมัย และความล้มเหลวที่องค์กรเคยพบ หากผลิตภัณฑ์ ช่องทาง ภูมิภาค กลุ่มลูกค้า หรือประสบการณ์ของผู้ใช้มีผล ก็ควรแยกผล ไม่กลบทุกอย่างด้วยค่าเฉลี่ยทีม

1. กำหนดผลลัพธ์ที่ยอมรับได้ หลักฐานที่ต้องมี และความผิดพลาดที่ต้องแยกประเภท
2. ทดสอบงานปกติควบคู่กับกรณีชายขอบ ข้อยกเว้น และข้อมูลที่มีปัญหา
3. บันทึกเวลาผลิต คุณภาพ งานตรวจ งานแก้ และการยกระดับปัญหาของแต่ละกลุ่มกรณี
4. กำหนดขอบเขตการใช้งาน อำนาจอนุมัติ เงื่อนไขหยุด และทางกลับไปทำงานแบบไม่ใช้ AI
5. ประเมินใหม่เมื่อส่วนประกอบของชุดระบบหรือลักษณะงานเปลี่ยน

ผลวิจัยเตือนว่าความคล้ายของงานภายนอกไม่รับประกันผลแบบเดียวกัน ในการทดลองที่ลงทะเบียนแผนล่วงหน้ากับที่ปรึกษา 758 คน AI ช่วยยกระดับผลที่วัดได้ในชุดงานซึ่งอยู่ภายในขอบเขตความสามารถที่ทดสอบ แต่ลดโอกาสได้คำตอบถูกในงานซับซ้อนหนึ่งงานซึ่งถูกเลือกให้อยู่นอกขอบเขตนั้น งานวิจัยเดียวกันอธิบายว่าขอบเขตความสามารถของ AI ไม่เรียบ เปลี่ยนได้ตามเวลา และคนทำงานระบุตำแหน่งของขอบเขตล่วงหน้าได้ยาก ส่วน NIST AI RMF Core เรียกร้องให้แยกความรับผิดชอบของคนกับ AI บันทึกความพร้อมของผู้ปฏิบัติงาน และกำหนดกระบวนการกำกับดูแล ทั้งนี้กรอบดังกล่าวเป็นแนวทางโดยสมัครใจและไม่ผูกกับกรณีใช้งานแบบใดแบบหนึ่ง

นอกจากเวลาผลิตแล้ว ต้องวัดภาระงานที่เปลี่ยนไปด้านใด?

ต้องวัดภาระงานแยกเป็นการผลิต การตรวจสอบ วิจารณญาณ การจัดการข้อยกเว้น และการประสานงาน เพื่อไม่ให้เวลาที่ลดในจุดหนึ่งซ่อนงานที่เพิ่มอีกจุด บัญชีภาระงาน 5 ด้าน ได้แก่ การผลิต การตรวจสอบ วิจารณญาณ การจัดการข้อยกเว้น และการประสานงาน เป็นเครื่องมือทางบรรณาธิการสำหรับทำให้ภาระที่ลดลง ย้ายที่ หรือเกิดใหม่มองเห็นได้ ไม่ใช่มาตรฐานวิจัย การผลิตครอบคลุมการค้น ร่าง แปลง ป้อน หรือดำเนินผลลัพธ์แรก ส่วนการตรวจครอบคลุมแหล่งอ้างอิง การคำนวณ ความครบถ้วน ความสอดคล้องกับนโยบาย และความพร้อมสำหรับผู้รับงานถัดไป

• การผลิต: เวลากับความสนใจที่ใช้สร้างหรือดำเนินผลงานแรก
• การตรวจสอบ: การตรวจหลักฐาน ความถูกต้อง ความครบถ้วน ข้อกำหนด และการใช้งานปลายทาง
• วิจารณญาณ: การตั้งกรอบ ตีความ เลือกผล ใช้อำนาจ และรับผิดชอบการตัดสินใจ
• การจัดการข้อยกเว้น: ข้อมูลขาด กรณีกำกวม ระบบล้มเหลว การแทนที่ผล การแก้ไข การกู้คืน และการยกระดับ
• การประสานงาน: การส่งบริบท ตอบคำถาม จัดเส้นทาง กระทบยอดผล สอนงาน และดูแลความรู้ร่วม

ทุกครั้งที่ภาระย้าย ต้องบันทึกเจ้าของปลายทาง ปริมาณ คิว และภาระช่วงพีก ไม่ใช่ใส่คำว่า “หัวหน้าตรวจ” แล้วถือว่าต้นทุนเป็นศูนย์ การส่งต่อบริบท ตอบคำถาม กระทบยอดผลลัพธ์ สอนงาน แก้ฐานความรู้ และติดตามข้อยกเว้นต้องถูกลงบัญชีให้กับเจ้าของปลายทาง ไม่ควรถูกปล่อยเป็นค่าใช้จ่ายแฝงของการใช้ AI บททบทวนของ OECD ระบุว่า AI อาจลดงานจำเจ แต่ก็อาจเร่งจังหวะงาน ลดความเป็นอิสระ หรือทำให้ชุดงานของคนแคบลง โดยทิศทางและขนาดผลแตกต่างกันตามคนและสถานการณ์ ขณะเดียวกัน NIST AI RMF Core ระบุถึงบทบาท ความรับผิดชอบ เส้นทางการสื่อสาร ข้อเสนอแนะ และการติดตามผลอย่างชัดเจน จึงสนับสนุนให้มองเห็นเจ้าของงานกำกับและงานประสาน แม้ไม่ได้กำหนดบัญชีภาระงาน 5 ด้านของบทความนี้

AI ไม่ได้เอางานออกไปเป็นก้อนเดียว แต่ย้ายจุดที่ภาระ อำนาจ ข้อยกเว้น และการเรียนรู้อาศัยอยู่

จะรวมงานที่เปลี่ยนแล้วกลับเป็นบทบาทโดยไม่สูญเสียเจ้าของและความเชี่ยวชาญได้อย่างไร?

ต้องรวมงานกลับเป็นบทบาทด้วยหน้าที่ที่มีชื่อ อำนาจ เกณฑ์สั่งการ ช่องทางสื่อสาร และกำลังรองรับจริง ระบุผู้ตรวจผลลัพธ์ เจ้าของข้อยกเว้น ผู้ดูแลฐานความรู้ เจ้าของชุดระบบ ผู้ติดตามผล เจ้าของการเรียนรู้ และผู้มีอำนาจรับเรื่องยกระดับเฉพาะเท่าที่กระบวนการต้องใช้ NIST AI RMF Core ระบุให้มีบทบาทด้านการจัดการความเสี่ยง ความรับผิดชอบของคนและ AI ความพร้อมของผู้ปฏิบัติงาน กระบวนการกำกับดูแล ข้อเสนอแนะ และการติดตามที่บันทึกชัดเจน แต่ไม่ได้กำหนดรูปแบบกำลังคนหรือรูปแบบการตรวจเพียงแบบเดียว ป้ายว่า “มีคนอยู่ในวงจร” จึงยังไม่ใช่การควบคุมจนกว่าจะรู้ว่าตรวจอะไร เมื่อไร ใครทำอะไรได้ และคิวรับภาระช่วงพีกไหวหรือไม่

• ผู้ตรวจผลลัพธ์ต้องมีหลักฐาน เกณฑ์ อำนาจ เหตุเริ่มตรวจ และบันทึกผล
• เจ้าของข้อยกเว้นต้องมีคิว ลำดับเร่งด่วน ทางแก้ เส้นทางยกระดับ และกำลังรองรับ
• ผู้ดูแลความรู้ต้องรับผิดชอบแหล่งข้อมูล ขั้นตอน ตัวอย่าง และเนื้อหาที่หมดอายุ
• เจ้าของชุดระบบต้องดูแลเวอร์ชัน การเปลี่ยนแปลง สิทธิ์เข้าถึง และความต่อเนื่องในการปฏิบัติงาน
• เจ้าของการเรียนรู้ต้องจัดการฝึก ข้อเสนอแนะ กรณียาก และการประเมินความพร้อม

ความเชี่ยวชาญต้องถูกออกแบบ ไม่ใช่หวังว่าจะเกิดจากการใช้เครื่องมือคล่อง การศึกษาเจ้าหน้าที่บริการลูกค้า 5,179 คนพบว่าผลต่อผลิตภาพเฉลี่ยที่วัดได้แตกต่างกันมากตามประสบการณ์ และให้หลักฐานเชิงบ่งชี้ว่าผู้ช่วยถ่ายทอดแนวปฏิบัติที่สัมพันธ์กับคนทำงานซึ่งมีความสามารถสูงกว่า ส่วนการทดลองภาคสนามกับผู้เชี่ยวชาญด้านพัฒนาผลิตภัณฑ์ 776 คนพบว่า AI เปลี่ยนผลการทำงานและการผสานความเชี่ยวชาญระหว่างรูปแบบรายบุคคลกับรูปแบบทีม ขณะที่ผู้วิจัยยังระบุคำถามระยะยาวเรื่องการสร้างและรักษาความเชี่ยวชาญ ผลทั้งสองไม่ใช่เหตุให้ยกเลิกผู้เชี่ยวชาญหรือคัดลอกตัวเลขผลิตภาพไปใช้กับที่อื่น แต่เป็นเหตุให้แยกผลตามประสบการณ์และดูเส้นทางเรียนรู้โดยตรง

ในทีมบริการลูกค้าสมมุติ AI อาจช่วยค้นความรู้และร่างคำตอบสำหรับกรณีประจำที่ผ่านการทดสอบ แต่เจ้าหน้าที่ยังต้องวินิจฉัยบริบทที่กำกวม ตรวจนโยบายกับข้อมูลบัญชี และตัดสินใจภายในอำนาจที่ได้รับ หัวหน้าหรือผู้เชี่ยวชาญอาจได้รับงานตรวจ ข้อยกเว้น การแก้ความรู้ และการสอนเพิ่ม หาก AI ลดงานที่เคยสร้างการสังเกต การทำซ้ำ ข้อเสนอแนะ หรือการพบกรณียาก องค์กรควรออกแบบการฝึกที่ตั้งใจทดแทน เช่น งานต้นฉบับแบบสุ่ม การติดตามผู้เชี่ยวชาญ การจำลอง การทบทวนกรณี การหมุนเวียนงาน และการตัดสินใจที่เพิ่มระดับผลกระทบตามความพร้อม วิธีเหล่านี้เป็นข้อเสนอให้ปรับตามบริบท ไม่ใช่สูตรการฝึกสากล

เมื่อใดจึงมีหลักฐานพอจะเปลี่ยนกำลังคน บทบาท หรือคำมั่นด้านบริการ?

มีหลักฐานเพียงพอเมื่อการนำร่องด้วยกระบวนการใหม่เปิดให้เห็นภาระครบทั้งระบบ ความต้องการเริ่มมีเสถียรภาพ และเจ้าของงานทุกจุดปฏิบัติได้จริงในช่วงปกติกับช่วงพีก เวลาผลิตขั้นต้นที่ลดลงยังไม่ใช่กำลังรองรับสุทธิของทีม จนกว่าจะหักงานตรวจสอบ วิจารณญาณ ข้อยกเว้น การประสานงาน การเรียนรู้ การติดตาม และการดูแลฐานความรู้ที่เพิ่มขึ้นหรือย้ายไปยังผู้อื่น จากนั้นต้องปรับด้วยความต้องการที่เปลี่ยน ระดับบริการ คุณภาพ งานแก้ งานที่ส่งต่อ และคิวสูงสุด เวลารอช่วยอธิบายการไหลของงาน แต่จะนับเป็นแรงงานคนไม่ได้หากไม่มีคนลงมือในช่วงนั้น

1. คำนวณเวลาผลิตขั้นต้นที่ลดลงจากปริมาณงานจริงในช่วงเวลาที่ระบุ
2. หักภาระตรวจ วิจารณญาณ ข้อยกเว้น ประสานงาน เรียนรู้ ติดตาม และดูแลความรู้ที่เพิ่มขึ้น
3. ปรับด้วยความต้องการ ระดับบริการ คุณภาพ งานแก้ งานส่งต่อ และคิวช่วงพีกที่เปลี่ยน
4. ติดตามข้อบกพร่อง การแทนที่ผล ภาระของแต่ละบทบาท ความเป็นอิสระ ความหลากหลายของงาน และเสียงสะท้อนจากคนทำงาน
5. ถือยอดคงเหลือเป็นกำลังรองรับชั่วคราว จนกว่าการปฏิบัติงานจะเผยงานข้างเคียงและรูปแบบความต้องการที่มั่นคงพอ

OECD รายงานว่าการเปลี่ยนงานย่อยด้วย AI อาจกระทบคุณภาพงานและคนแต่ละกลุ่มต่างกัน ดังนั้นค่าเฉลี่ยของเวลาผลิตเพียงตัวเดียวจึงไม่เป็นหลักฐานครบถ้วนสำหรับออกแบบบทบาทใหม่ ขณะที่ NIST AI RMF Core ระบุให้บันทึกความรับผิดชอบ มีกลไกรับข้อเสนอแนะ และวัดกับติดตามความเสี่ยงและผลกระทบของ AI อย่างต่อเนื่อง เพราะผลของ AI อาจต่างกันแม้เป็นงานที่ดูใกล้กัน และขอบเขตความสามารถเปลี่ยนได้ จึงควรประเมินการออกแบบบทบาทใหม่เมื่อแบบจำลอง พรอมป์ ข้อมูล เครื่องมือ การควบคุม ขั้นตอนงาน ชุดงาน หรือบริบทเปลี่ยน หากบัญชีภาระ แผนรักษาความเชี่ยวชาญ เจ้าของงาน หรือหลักฐานตัวแทนยังไม่ครบ ควรคงกำลังคน คำบรรยายงาน ตัวชี้วัดผลงาน และคำมั่นด้านบริการเดิมไว้ก่อน

บัญชีนี้เป็นเครื่องมือประกอบการตัดสินใจนำร่อง ไม่ใช่ทางลัดไปสู่ข้อสรุปเรื่องลดคน การกำหนดเรื่องการจ้างงาน แรงงานสัมพันธ์ การเข้าถึงของผู้พิการ การเลือกปฏิบัติ ความเป็นส่วนตัว ความปลอดภัย กฎหมาย กฎระเบียบ และวิชาชีพ ต้องอยู่กับเจ้าขององค์กรที่ได้รับอำนาจและมีคุณสมบัติเหมาะสม วิธีวิเคราะห์งานไม่ได้ให้คำวินิจฉัยด้านเหล่านั้น และการปรึกษาคนทำงานก็ไม่ได้ทำให้หน้าที่กำกับดูแลหมดไป การตัดสินใจที่ป้องกันความเสียหายได้ดีที่สุดในช่วงหลักฐานไม่ครบ อาจเป็นการยังไม่เปลี่ยนโครงสร้าง พร้อมเดินหน้าทดสอบ เก็บข้อมูล และแก้คิวงานจนเห็นระบบจริงอย่างชัดเจน