AI แทนที่งานซ้ำซากคืออะไร และกำลังพาเราไปทางไหน
AI แทนที่งาน หมายถึงการใช้ระบบอัตโนมัติและปัญญาประดิษฐ์เข้ามาทำงานซ้ำซาก งานวิเคราะห์ข้อมูล หรือการสื่อสารพื้นฐานที่เคยต้องใช้คนทำมาก่อน เป้าหมายคือให้อัตโนมัติเพิ่มประสิทธิภาพ ลดต้นทุน และลดความผิดพลาด แต่ในทางปฏิบัติกลับสร้างเลเยอร์ AI ที่ไม่คาดคิดในที่ทำงาน เมื่อองค์กรเริ่มใช้ AI แทนงานส่วนหนึ่ง พนักงานที่ยังเหลือกลับต้องรับภาระงานหลากหลายขึ้น ทำงานด้วยจังหวะที่เร็วขึ้น และถูกคาดหวังให้ดูแลทั้งงานของตัวเองและงานที่ถูกเร่งโดยระบบอัตโนมัติ ผลกระทบ AI ที่ทำงานจึงไม่ได้มีแค่การลดคน แต่ยังเปลี่ยนรูปแบบแรงกดดันในองค์กรด้วย
มุมมองของ OpenAI สะท้อนด้านสว่างของอัตโนมัติเพิ่มประสิทธิภาพอย่างชัดเจน Sarah Friar ระบุว่า AI ในฝ่ายการเงินช่วยลดความต้องการพนักงานลง โดยไปแทนงานซ้ำซาก เช่น การตรวจสอบเครดิต ซึ่งเธอมองว่าไม่ใช่งานที่ดีนัก เธอยกตัวอย่างว่ากระบวนการตรวจเช็คเครดิตในฝ่ายจัดซื้อที่เคยทำปีละราว 2,800 ครั้ง ถูกย้ายให้โมเดลรับผิดชอบ และค่าใช้จ่ายต่อครั้งลดลงจากระดับเดิมเหลือเพียงเศษเสี้ยวของต้นทุนเก่า ทำให้ผู้บริหารด้านการเงินมองว่าเป็นผลตอบแทนที่คุ้มค่าอย่างมาก จุดยืนนี้คือเล่าเรื่อง AI แทนที่งานในส่วนที่จำเจ เพื่อเปิดพื้นที่ให้คนไปทำงานที่ใช้ความคิดมากขึ้น แต่ไม่ได้แตะคำถามสำคัญว่าคนที่ถูก “ปลดภาระงานน่าเบื่อ” เหล่านั้น จะยังมีที่ยืนในองค์กรแค่ไหน
เมื่อ AI กลายเป็นไดนาไมต์ใต้สะพานงานประจำที่ Uber
กรณีของ Uber แสดงด้านมืดของ AI แทนที่งานอย่างเป็นรูปธรรม พนักงานที่ถูกเลิกจ้างหลายคนเล่าว่าในช่วงไม่กี่เดือนก่อนหน้า AI เริ่มเข้าไปทำแทบทุกอย่าง ตั้งแต่ตอบคำถามพนักงานใน Slack ไปจนถึงเขียนคำตอบให้ลูกค้าในระบบซัพพอร์ต หนึ่งในพนักงานบอกว่าเครื่องมือ AI ลดเวลาทำงานของเขาเหลือเพียงหนึ่งในห้าของเดิม และบรรยายความรู้สึกว่า “AI เหมือนระเบิดไดนาไมต์ใต้สะพานของพวกเรา” นี่คือภาพของอัตโนมัติเพิ่มประสิทธิภาพที่แปลตรงตัวเป็นความเสี่ยงต่อการมีงานทำ
ในเวลาเดียวกัน บริษัทประกาศเลิกจ้างราว 3,300 คนในครั้งเดียว ซึ่งรวมพนักงานทุกคนที่ให้ข้อมูลไว้ในรายงานนี้ด้วย แม้ผู้บริหารจะอธิบายว่าเป็นการลดเลเยอร์การจัดการ แต่ข้อเท็จจริงคือ AI เข้าไปแทนบทบาททั้งใน support chat และการให้คำตอบทางเอกสารภายใน เหมือนเลเยอร์ AI ที่ไม่คาดคิดถูกวางทับลงบนโครงสร้างเดิม ผลที่ตามมาคือแรงงานที่เหลือต้องทำงานร่วมกับ AI ในสภาพแวดล้อมที่คนลดลงแต่เป้าหมายด้านประสิทธิภาพยังสูงเหมือนเดิม ผลกระทบ AI ที่ทำงานจึงไม่ใช่แค่การ “ช่วยตอบแชต” แต่มันกำลังนิยามใหม่ว่าใครมีคุณค่าพอจะอยู่ในองค์กรต่อไป
AI ทำให้คนทำงานน้อยลงหรือหนักขึ้นกันแน่
ในอีกฟากหนึ่งของโลกเทค ผู้ก่อตั้ง Scale AI อย่าง Lucy Guo กลับมองว่า AI ทำให้คนทำงานหนักขึ้น ไม่ใช่น้อยลง เธอเล่าว่าตัวเองทำงานยาวถึง 26 ชั่วโมงเพราะไม่อยากหยุดในช่วงที่เอเจนต์กำลังทำงาน นี่ไม่ใช่แค่เรื่องคนบ้างาน แต่สะท้อนวัฒนธรรมใหม่ที่คนต้องตื่นทัน AI และคอยประคองระบบอัตโนมัติให้เดินหน้าต่อ เธอยอมรับว่า AI ช่วยให้บางคนทำงานเสร็จเร็วขึ้น แต่ก็ทำให้พวกเขารับงานเพิ่มและขยายขอบเขตความรับผิดชอบไปพร้อมกัน
สิ่งที่น่าสนใจคือมีงานศึกษาจากทีมวิจัยในบริษัทเทคขนาด 200 คน พบว่าพนักงานเริ่มทำงานด้วยจังหวะที่เร็วขึ้น รับงานหลากหลายขึ้น และยืดชั่วโมงทำงานออกไปในช่วงต่างวัน โดยหลายครั้งไม่ได้มีใครสั่งให้ทำด้วยซ้ำ นี่คือปรากฏการณ์ productivity paradox เวอร์ชัน AI แทนที่งาน ความเร็วที่เพิ่มขึ้นไม่ได้ถูกแปลเป็นเวลาเหลือหรือความสมดุลชีวิต แต่กลายเป็นช่องว่างให้ผู้บริหารบรรจุงานใหม่เข้าไป ผลกระทบ AI ที่ทำงานจึงกลายเป็นแรงกดดันเชิงโครงสร้าง มากกว่าจะเป็นของขวัญด้านเวลาที่หลายคนถูกโฆษณาให้เชื่อ
บทเรียนจาก Oracle: เมื่อผู้นำโครงสร้างพื้นฐาน AI ยังสะดุด
Oracle เป็นตัวอย่างชัดเจนขององค์กรที่ลงทุนในโครงสร้างพื้นฐาน AI มหาศาล แต่กลับยังหาทางใช้ AI ภายในได้ล่าช้า บริษัทใช้เงินหลายปีเพื่อช่วยลูกค้ารัน AI แต่เพิ่งเริ่ม rollout ใช้งานทั่วบริษัทในภายหลัง ผู้บริหารยอมรับว่าเมื่อมองย้อนกลับไปเพียงปีก่อนหน้านั้น พวกเขายังไม่รู้ว่าจะทำให้ generative AI มีประโยชน์กับคนทำงานในองค์กรอย่างไร นี่คือคำสารภาพว่าการติดตั้งเลเยอร์ AI ที่ไม่คาดคิดบนองค์กรเดิม ไม่ได้ราบรื่นแม้กับคนที่ขายโซลูชันให้คนอื่น
สถานการณ์เริ่มเปลี่ยนเมื่อบริษัทนำ ChatGPT Enterprise และเครื่องมือเขียนโค้ดอย่าง Codex เข้ามาใช้กลางปีที่ผ่านมา ทำให้พนักงานด้านพัฒนาซอฟต์แวร์เขียนโค้ดเร็วขึ้นอย่างมาก ถึงขั้นมีรายงานว่าคนเขียนโค้ดที่เคยต้องใช้เวลาหลายไตรมาส กลายเป็นเสร็จในเวลาเพียงสัปดาห์ แต่ความเร็วนี้กลับสร้างคอขวดใหม่ในกระบวนการอื่น เช่น การทดสอบ การดีไซน์สถาปัตยกรรม หรือการนำส่งลูกค้า ผู้บริหารย้ำว่าต่อให้การเขียนโค้ดเร็วขึ้น ก็ไม่ได้แปลว่าทุกอย่างจะเร็วขึ้นตามพันเท่า นี่คือคำเตือนว่าผลกระทบ AI ที่ทำงานอาจย้ายปัญหาจากจุดหนึ่งไปอีกจุด มากกว่าจะหายไปจริง
Productivity paradox ของ AI และทางเลือกของคนทำงาน
เมื่อมองภาพรวม คำพูดของ Sarah Friar ที่ยอมรับว่า AI ลดจำนวนคนที่ต้องใช้ในฝ่ายการเงินได้โดยเฉพาะงานซ้ำซาก ประกอบกับการเลิกจ้างครั้งใหญ่ใน Uber ที่มาพร้อมการใช้ AI อย่างเข้มข้น และงานศึกษาที่พบว่าพนักงานทำงานเร็วขึ้นและนานขึ้นเมื่อมี AI ล้วนชี้ไปในทิศทางเดียวกัน นั่นคือ AI แทนที่งานบางส่วน เปิดทางให้องค์กรลดต้นทุน แต่แรงงานที่ยังอยู่ต้องรับแรงกดดันเพิ่ม ทั้งจากปริมาณงานและความคาดหวังว่าต้อง “ทำได้มากขึ้นด้วยเครื่องมือใหม่”
ดังนั้นคำถามสำคัญสำหรับทั้งองค์กรและคนทำงานไม่ใช่ว่า AI ดีหรือเลว แต่คือจะออกแบบผลกระทบ AI ที่ทำงานอย่างไรให้ไม่กลายเป็นกับดัก Productivity paradox ถ้าองค์กรใช้ AI แค่เพื่อลดหัวและเพิ่ม output โดยไม่แตะคุณภาพชีวิต ท้ายที่สุดอาจได้ทีมที่เก่งแต่หมดไฟ ส่วนคนทำงานเองต้องอ่านเกมเลเยอร์ AI ที่ไม่คาดคิดให้ขาด ว่างานไหนกำลังจะถูกแทน งานไหนเป็นทักษะที่เสริม AI ได้ และจะต่อรองเงื่อนไขการทำงานใหม่อย่างไร ให้ประสิทธิภาพที่เพิ่มขึ้นไม่กลายเป็นน้ำหนักที่ทับลงบนไหล่ตัวเองเพียงฝ่ายเดียว
