จากผู้สร้างผลงาน สู่คนกลางระหว่างหัวหน้ากับเอไอ
AI Agent คือระบบปัญญาประดิษฐ์ที่รับคำสั่งและทำงานหลายขั้นตอนได้ โดยคนยังต้องกำหนดเป้าหมาย ตรวจสอบผล และรับผิดชอบต่อสิ่งที่นำไปใช้ในโลกจริง สำหรับคนทำงานออฟฟิศ เส้นแบ่งระหว่างการใช้เครื่องมือช่วยงานกับการกลายเป็นผู้ส่งต่อคำสั่งกำลังพร่าเลือน กระทู้หนึ่งในชุมชนออนไลน์ล้อภาพพนักงานที่รับความต้องการจากหัวหน้าไปเขียนคำสั่งให้ Claude แล้วนำคำตอบกลับมา พร้อมคอยแก้ข้อมูลหลอนของ AI ให้ใช้ได้จริง จนมีผู้ร่วมโหวต 1,032 คน และความคิดเห็นมากกว่า 128 ข้อความ มุกนี้ชวนขำเพราะมีส่วนจริงอยู่มาก: หากคนทำงานมีหน้าที่เพียงแปลงคำขอเป็นพรอมป์ต์และตรวจถ้อยคำที่เครื่องสร้าง บทบาทของมนุษย์ก็เสี่ยงหดเหลือแค่ทางผ่าน แต่คุณค่าของงานไม่ได้อยู่ที่การพิมพ์คำสั่งเท่านั้น หากอยู่ที่การรู้ว่าโจทย์ควรทำหรือไม่ และผลลัพธ์สอดคล้องกับธุรกิจเพียงใด
ประเด็นนี้สำคัญเป็นพิเศษเมื่องานที่ดูเหมือนการผลิตคำตอบ แท้จริงต้องอาศัยดุลยพินิจ คนในกระทู้ประเมินว่างานนักพัฒนาราว 25% ยังเกี่ยวกับการตอบว่าเรื่องหนึ่งทำได้หรือไม่ และต้องใช้ต้นทุนเท่าใด ซึ่ง AI ยังประเมินเวลาและต้นทุนได้ไม่ดีในบางกรณี นี่คือเหตุผลที่การเป็นตัวกลางอาจมีความหมายมากกว่าการคัดลอกข้อความ หากพนักงานช่วยแปลความคาดหวังที่คลุมเครือให้เป็นโจทย์ที่ทำได้จริง พร้อมชี้ข้อจำกัดและความเสี่ยง พวกเขายังทำหน้าที่ตัดสินใจอยู่ ทว่าเมื่องานถูกวัดแค่ความเร็วในการส่งคำตอบกลับ ความเข้าใจที่ทำให้งานมีคุณภาพก็อาจถูกมองข้าม
มอบหมายงานได้ แต่อย่ามอบความเป็นเจ้าของไปด้วย
แอดดี ออสมานี วิศวกรในทีม Claude Code ของ Anthropic เขียนเตือนเรื่องการคิดที่ค่อย ๆ ถูกส่งต่อให้เอเจนต์ AI ในบทความบน X เมื่อวันอังคาร โดยบอกว่างานประจำวันของเขาหลายส่วนผ่านเอเจนต์จนแทบไม่มีอะไรบังคับให้คิดอย่างมีวิจารณญาณ เขาแยกการใช้ AI ออกเป็นการถ่ายโอนภาระทางความคิด ซึ่งมอบหมายงานแต่ยังเป็นเจ้าของผลงาน กับการรับคำตอบของ AI มาเป็นจุดตั้งต้นโดยไม่ตรวจ และขั้นที่เสี่ยงที่สุดคือการเชื่อผลลัพธ์ทั้งหมดโดยไม่ตั้งคำถาม ออสมานีเห็นว่าการมอบหมายงานทำได้ แต่ผู้ใช้ต้องรู้ว่ากำลังทำแบบไหน การใช้ AI ช่วยจึงไม่ใช่ปัญหาในตัวเอง ปัญหาเกิดเมื่อความสะดวกค่อย ๆ กลายเป็นข้ออ้างให้หยุดทำความเข้าใจ
เส้นแบ่งที่ควรจำคือ คนอาจมอบหมายขั้นตอนให้เครื่อง แต่ไม่ควรมอบหมายการตัดสินใจและความรับผิดชอบ AI ไปด้วยทั้งหมด คำเตือนของออสมานีชัดเจนว่า หากอธิบายคำตอบไม่ได้ แม้จะอาศัยเอเจนต์ช่วย ก็เท่ากับสละความเป็นเจ้าของผลงาน นี่ไม่ใช่ข้อเรียกร้องให้ตรวจทุกคำทุกครั้ง แต่เป็นหลักให้ปรับตามความเสี่ยง งานร่างข้อความภายในอาจยอมให้เครื่องจัดการได้มากกว่า ส่วนโค้ดที่กระทบระบบหรือข้อมูลสำคัญต้องมีคนเข้าใจว่ามันทำอะไรและมีข้อจำกัดตรงไหน เมื่อไม่มีใครรับช่วงคำอธิบายได้ ความผิดพลาดก็ไม่ได้หายไปพร้อมกับการโยนงานให้ AI
ตรวจให้เป็นนิสัย เพื่อไม่ให้ทักษะฝ่อ
ทางออกไม่ใช่เลิกใช้เอเจนต์ AI แต่ต้องสร้างวงจรตรวจสอบไว้ในวิธีทำงาน ออสมานีเสนอให้นักพัฒนาตรวจว่าโค้ดที่ AI เขียนทำงานได้จริง และถามเอเจนต์ให้ชัดว่าอะไรที่มันตรวจสอบได้หรือไม่ได้ เขาเรียกแนวทางนี้ว่าการทำให้การตรวจสอบเป็นนิสัย สำหรับคนทำงานทั่วไป หลักเดียวกันใช้ได้กับรายงาน การวิเคราะห์ และแผนงาน: ตั้งข้อคาดการณ์ของตัวเองก่อนถามเครื่อง เช็กข้อเท็จจริงกับบริบท และระบุส่วนที่ยังไม่แน่ใจ การรับคำตอบมาใช้ต่อทันทีอาจประหยัดเวลา แต่หากผู้ใช้ไม่รู้ว่าควรสงสัยตรงไหน ความเร็วก็ไม่ได้แปลว่าผลงานน่าเชื่อถือ
ความเสี่ยงยังอยู่ที่ทักษะซึ่งไม่ได้ฝึกย่อมเสื่อมลง ออสมานีเตือนว่าทักษะที่หยุดใช้มีโอกาสหายไปเร็วกว่าที่คาด คนทำงานจึงควรเลือกทักษะที่ไม่อยากเสียไป แล้วรักษาพื้นที่ให้ได้ฝึกด้วยตนเอง เช่น อ่านโค้ดที่เอเจนต์สร้าง อธิบายเหตุผลเบื้องหลังข้อเสนอ หรือทดสอบสมมติฐานก่อนส่งงาน การทำเช่นนี้ไม่ได้ปฏิเสธประโยชน์ของ AI Agent แต่ช่วยให้เครื่องทำหน้าที่เป็นผู้ช่วย แทนที่จะกลายเป็นผู้คิดแทนทั้งหมด
คำตอบจากเอไอไม่ใช่คำตอบสุดท้าย
ภาพพนักงานที่คั่นกลางระหว่างหัวหน้ากับ AI สะท้อนความเสี่ยงจริง แต่ไม่ใช่ชะตาที่หลีกเลี่ยงไม่ได้ มนุษย์ยังเพิ่มคุณค่าได้ด้วยการตีความโจทย์ มองเห็นสิ่งที่เครื่องประเมินไม่ได้ และยืนยันว่าผลงานเหมาะกับบริบทหรือไม่ เงื่อนไขสำคัญคืออย่าปล่อยให้การทำงานผ่านเอเจนต์กลายเป็นการรับผลลัพธ์โดยไม่เข้าใจ เมื่อคนทำงานอธิบายเหตุผล ตรวจสอบข้อจำกัด และกล้าปฏิเสธคำตอบที่ผิด พวกเขายังคงเป็นเจ้าของงาน แม้ AI จะทำส่วนลงมือให้มากขึ้นก็ตาม
ท้ายที่สุด ประเด็นไม่ใช่ว่า AI ทำงานแทนคนได้กี่ขั้น แต่คือคนยังรู้หรือไม่ว่างานนั้นกำลังทำอะไรและควรเชื่อผลลัพธ์แค่ไหน การมอบหมายงานให้ AI เป็นการเลือกใช้เครื่องมือ ส่วนการยกความเข้าใจและความรับผิดชอบให้เครื่องเป็นการสละบทบาทของตนเอง คนทำงานออฟฟิศจึงควรใช้เอเจนต์เพื่อเพิ่มกำลัง โดยไม่หยุดคิด ตรวจ และเรียนรู้ เพราะคำตอบที่นำไปใช้ในองค์กรยังต้องมีมนุษย์ที่เข้าใจและพร้อมยืนอยู่เบื้องหลัง
