AI เร็วขึ้น แต่ผลิตภาพ AI ที่แท้จริงอาจติดลบ
บ่วงของประสิทธิภาพคือสถานการณ์ที่องค์กรหมกมุ่นกับความเร็วในการทำงานด้วย AI แต่ละเลยต้นทุนที่ซ่อนอยู่จากการตรวจแก้ผลงาน คุณภาพการทำงาน AI ที่ต่ำทำให้งานถูกผลิตออกมาปริมาณมากแต่ต้องใช้เวลาและแรงงานของคนจำนวนมากในการเก็บรายละเอียดและแก้ข้อผิดพลาด ส่งผลให้ผลิตภาพ AI ที่แท้จริงของทั้งทีมไม่ได้เพิ่มขึ้นอย่างที่คิดและอาจกลายเป็นความเสียหายจากการใช้ AI ต่อทั้งธุรกิจและความสัมพันธ์ระหว่างเพื่อนร่วมงาน องค์กรจำนวนมากกำลังหลงเชื่อว่าถ้างานออกจากระบบ AI ได้เร็วกว่าก็แปลว่าผลลัพธ์ดีขึ้น ทั้งที่ในทางปฏิบัติสิ่งที่เกิดขึ้นคือแต่ละคนส่งงานที่ดูเรียบร้อยจากภายนอกแต่ข้างในเต็มไปด้วยช่องโหว่ให้คนอื่นมาตามแก้ งานจึงเหมือนถูกเร่งให้เสร็จรอบแรก แต่รอบหลังกลับยืดเยื้อและใช้เวลามากขึ้นกว่าก่อนมี AI
กรณี Shopify และปรากฏการณ์ slop grenades ที่ทำลายทีม
ตัวอย่างแรงที่สุดของความเสียหายจากการใช้ AI มาจากผู้บริหาร Shopify ที่ยอมรับว่าพนักงานกำลังปล่อยอีเมลและโค้ดที่สร้างด้วย AI โดยแทบไม่ตรวจสอบเองเลย เขาเรียกสิ่งเหล่านี้ว่า slop grenades งานหยาบที่ถูกโยนใส่เพื่อนร่วมงานให้รับภาระไปแก้ต่อ ซึ่งสะท้อนคุณภาพการทำงาน AI ที่ถูกมองข้ามอย่างชัดเจน งานวิจัยที่ศึกษา workslop ซึ่งคือผลลัพธ์จาก AI ที่ดูดีแต่ใช้การไม่ได้ พบว่ากว่าครึ่งของพนักงานออฟฟิศเต็มเวลาในสหรัฐรายงานว่าตัวเองเคยส่ง workslop ให้คนอื่น และ 38 เปอร์เซ็นต์บอกว่าตัวเองต้องเสียเวลาเดือนละเฉลี่ย 3.4 ชั่วโมงในการแก้มัน นี่ไม่ใช่แค่ปัญหาผลิตภาพ แต่กระทบความสัมพันธ์ในทีม เพราะผู้รับงานจะมองผู้ส่งว่าไร้ความสามารถและไม่เป็นมิตร ซึ่งบั่นทอนความไว้วางใจในองค์กรโดยตรง
PwC กับแรงกดดันส่งงานไวครึ่งหนึ่ง แต่คุณภาพใครรับผิดชอบ
ในโลกที่ลูกค้าเชื่อว่า AI จะทำให้งานเสร็จเร็วขึ้น บริษัทที่ปรึกษาขนาดใหญ่ถูกกดดันให้ย่นระยะเวลาการส่งมอบงานอย่างเห็นได้ชัด ผู้บริหารสำนักงานหนึ่งของบริษัทที่ปรึกษารายใหญ่กล่าวว่า งานที่เคยบอกลูกค้าว่าต้องใช้เวลา 8 ถึง 10 สัปดาห์ ตอนนี้ถูกคาดหวังให้เสร็จในช่วงเวลาครึ่งหนึ่งเท่านั้น เธอยอมรับตรงๆ ว่าทีมกำลังถูกกดดันและยังต้องหาทางรับมือ คำอธิบายที่ว่า AI ช่วยเร่งงานเฟสต้น เช่น การค้นข้อมูลหรือวางสมมติฐาน จนจากคำตอบสัปดาห์แรกกลายเป็นคำตอบชั่วโมงแรกดูเหมือนเป็นชัยชนะของผลิตภาพ AI ที่แท้จริง แต่คำถามสำคัญคือหลังจากนั้นใครเป็นคนมั่นใจว่าคำตอบที่เร็วเหล่านั้นมีความลึกและความถูกต้องเพียงพอ และลูกค้ายอมรับความเสี่ยงด้านคุณภาพแค่ไหน เมื่อความคาดหวังความเร็วเพิ่มขึ้น แต่มาตรฐานและตัวชี้วัดคุณภาพกลับยังคลุมเครือ บ่วงของประสิทธิภาพก็รัดองค์กรแน่นขึ้นเรื่อยๆ
OpenAI กับมุมมองที่เน้นลดงานซ้ำ แต่เงียบเรื่องคุณภาพงานรวม
ผู้บริหารฝ่ายการเงินของบริษัทผู้พัฒนา AI รายใหญ่ให้ภาพที่ต่างออกไป เธอเล่าว่าในฝ่ายการเงินของตนเอง AI ถูกใช้เพื่อลดจำนวนคนที่ต้องทำงานซ้ำๆ เช่น การตรวจสอบเครดิต ซึ่งเธอมองว่าเป็นงานที่ไม่น่าดึงดูดสำหรับเจ้าหน้าที่รุ่นใหม่ เธอเชื่อว่าโมเดลอัจฉริยะสามารถรับงานประจำเหล่านี้แทนคน และทำได้ดีในระดับที่เธอเชื่อว่ามีสเกลและความแม่นยำสูงกว่ามนุษย์ นี่คือมุมของผลิตภาพ AI ที่แท้จริงในงานที่มีกฎชัดเจนและโครงสร้างตายตัว แต่สิ่งที่ขาดหายไปจากคำอธิบายคือผลกระทบด้านคุณภาพงานภาพรวมขององค์กร เมื่อทีมหนึ่งลดคนลงเพราะ AI รับงานง่ายไป ใครคือคนที่ต้องมารับงานยากขึ้น ตรวจความเสี่ยงที่โมเดลอาจมองข้าม และตอบคำถามเชิงยุทธศาสตร์จากผลลัพธ์ของ AI หากองค์กรไม่วัดต้นทุนการทบทวนและแก้ไขอย่างเป็นระบบ ความเสียหายจากการใช้ AI ก็อาจแอบสะสมโดยไม่มีใครกล้าพูด
จากผลิตภาพรายบุคคลสู่บ่วงของประสิทธิภาพระดับองค์กร
เมื่อมองภาพกว้าง เราจะเห็นความย้อนแย้งชัดเจน คนทำงานแต่ละคนใช้ AI แล้วรู้สึกว่างานเสร็จเร็วขึ้น เขียนอีเมลยาวได้ในไม่กี่นาที สร้างโค้ดหรือรายงานฉบับแรกในเวลาอันสั้น แต่ในระดับทีม กลับต้องใช้ชั่วโมงจำนวนมากในแต่ละเดือนไปกับการตรวจ แก้ และปรับผลลัพธ์ที่ดูดีแต่ข้างในเต็มไปด้วย workslop ผลิตภาพ AI ที่แท้จริงจึงไม่ใช่จำนวนหน้าเอกสารหรือจำนวนคำตอบที่สร้างขึ้น แต่คือเวลารวมของทุกคนตั้งแต่ต้นจนจบงาน ปัญหาคือองค์กรส่วนใหญ่ยังวัดแต่ความเร็วรอบแรก เช่น ระยะเวลาที่ใช้สร้างร่างแรกของรายงาน หรือจำนวนโครงการที่เริ่มได้ด้วย AI โดยไม่เก็บข้อมูลว่าต้องแก้กี่รอบ ใครคือคนทำงานแก้ และความเสียหายจากการใช้ AI ในรูปแบบความเครียด ความขัดแย้ง และภาพลักษณ์มืออาชีพที่ลดลงมีมากแค่ไหน หากไม่ยอมรับว่ามีบ่วงของประสิทธิภาพอยู่จริงและออกแบบตัวชี้วัดใหม่ให้รวมคุณภาพท้ายสายงานเข้าไปด้วย AI ก็จะเป็นเครื่องเร่งปัญหามากกว่าการเร่งคุณค่า
