🛑 เมื่อ AI ทำโจทย์ระดับ “ด็อกเตอร์” ได้…ค่าตัวของมนุษย์ออฟฟิศจะเหลืออยู่ตรงไหน?
(ในวันที่คำตอบราคาถูกลงอย่างรวดเร็ว คนที่ยังรอรับคำสั่งอาจไม่ได้ถูกแทนที่เพราะ “ไม่เก่ง” แต่เพราะคุณค่าของงานแบบเดิมกำลังถูกบีบให้เหลือน้อยลง)
“หัวหน้าครับ มีอะไรให้ทำบอกมาได้เลย เดี๋ยวผมจัดการให้”
เมื่อก่อนผมคิดว่าประโยคนี้ฟังดูดีครับ มันสะท้อนความขยัน ความพร้อม และความเป็นคนลงมือทำ ซึ่งเป็นคุณสมบัติที่หลายองค์กรชื่นชมมาตลอด
แต่ในโลกการทำงานวันนี้ ผมเริ่มไม่แน่ใจแล้วว่า ประโยคเดียวกันยังมีมูลค่าเท่าเดิมหรือไม่? เพราะปัญหาไม่ใช่พนักงาน “ไม่ขยัน” ครับ แต่เป็นเพราะงานจำนวนมากที่เคยต้องใช้คนมานั่งรับโจทย์ แล้วแปลงโจทย์เป็นเอกสาร วิเคราะห์ข้อมูล ทำสไลด์ เขียนโค้ด หรือหาข้อมูลประกอบ กำลังมีต้นทุนลดลงอย่างรวดเร็วจาก AI
“วันนี้ AI ไม่ได้เพียงช่วยเขียนอีเมลหรือสรุปประชุมแล้ว”
OpenAI รายงานตั้งแต่ปี 2024 ว่าโมเดล o1 สามารถทำคะแนนบน GPQA Diamond ซึ่งเป็น benchmark ด้านฟิสิกส์ เคมี และชีววิทยาระดับยาก สูงกว่ากลุ่มผู้เชี่ยวชาญที่มี Ph.D. ซึ่ง OpenAI ใช้เป็นกลุ่มเปรียบเทียบ (OpenAI)
แต่ผมอยากระวังเรื่องหนึ่งครับ คือ การทำคะแนน benchmark ได้สูง ไม่ได้แปลว่า AI กลายเป็น “ด็อกเตอร์” ในความหมายของมนุษย์
* มันไม่ได้มีประสบการณ์สนาม
* ไม่ได้รับผิดชอบต่อการตัดสินใจ
* ไม่ได้เข้าใจวัฒนธรรมองค์กร
* และไม่ได้รู้เองว่า เรื่องใดสำคัญต่อธุรกิจในบริบทเฉพาะของคุณ
สิ่งที่ benchmark เหล่านี้กำลังบอกเราไม่ใช่ว่า “AI กลายเป็นมนุษย์ผู้เชี่ยวชาญแล้ว” แต่มันกำลังบอกว่า
“งานจำนวนมากที่เราเคยคิดว่าต้องใช้คนเก่งมากในการสร้างคำตอบ กำลังมีต้นทุนลดลงอย่างรวดเร็ว” และเมื่อคำตอบถูกลง ค่าตัวของคนที่มีหน้าที่เพียง “ผลิตคำตอบตามโจทย์” ก็ย่อมถูกกดลงตามไปด้วยครับ
⸻
⛔ งานที่อันตรายที่สุดไม่ใช่แค่ Junior แต่คืองานที่นิยามคุณค่าตัวเองว่า “รอรับโจทย์”
“องค์ประกอบไหนของแต่ละตำแหน่งกำลังถูกทำให้ราคาถูกลง?”
เพราะ AI ไม่ได้เดินเข้ามาลบ Job Title ทั้งตำแหน่งพร้อมกัน มันค่อยๆ แยกงานออกเป็นชิ้นๆ แล้วลดมูลค่าของงานบางประเภทก่อน เช่น
* การสรุปข้อมูล
* การแปลงข้อความ
* การจัดโครงสร้างเอกสาร
* การเขียน Draft แรก
* การสร้างตารางเปรียบเทียบ
* การหาทางเลือกเบื้องต้น
* หรือ การเขียน Code พื้นฐาน เป็นต้น
งานเหล่านี้ไม่ได้หายไปทั้งหมดครับ แต่จำนวนชั่วโมงของมนุษย์ที่องค์กรต้องซื้อเพื่อให้ได้ Output เดิม กำลังลดลง
ดังนั้น คนที่มีความเสี่ยงสูงไม่ได้จำกัดอยู่ที่ Junior คือแม้แต่ Senior ที่นิยามคุณค่าตัวเองว่า “ผมเก่งกว่า เพราะทำงานชิ้นเดิมได้เร็วกว่า” ก็มีความเสี่ยงเช่นกัน เพราะ AI กำลังทำให้ความเร็วในการ Execution กลายเป็น Commodity
* หากพนักงานหนึ่งคนต้องรอให้หัวหน้ามอบโจทย์
* รอ Scope
* รอ Requirement
* รอรายการสิ่งที่ต้องทำ
* แล้วค่อยใช้ความสามารถของตัวเองทำตามนั้น
คำถามที่องค์กรจะเริ่มถามมากขึ้นคือ
“ถ้า AI สามารถช่วยทำ HOW ได้มากขึ้น คนคนนี้ช่วยองค์กรคิด WHAT และ WHY ได้มากแค่ไหน?” นี่ต่างหากที่กำลังเปลี่ยนตลาดแรงงาน White-collar
⸻
🚫 “ไม่รู้” ยังพูดได้ครับ แต่ “ไม่พยายามรู้” กำลังแพงขึ้นเรื่อยๆ
ผมไม่เห็นด้วยกับแนวคิดสุดโต่งที่บอกว่า ต่อจากนี้พนักงานไม่มีสิทธิ์พูดว่า “ไม่รู้” ครับ เพราะคนที่ฉลาดจริงต้องกล้าพูดว่าไม่รู้ในเรื่องที่ตนไม่มีข้อมูล
ปัญหาคือสิ่งที่ควรตามมาหลังคำว่า “ไม่รู้” ในอดีต พนักงานอาจพูดว่า “ผมไม่เคยทำครับ” แล้วรอให้องค์กรส่งไปอบรม แต่ปัจจุบัน ความรู้เบื้องต้น การอธิบาย Concept ตัวอย่าง Code การจำลองสถานการณ์ และบทเรียนแบบเฉพาะบุคคล สามารถเข้าถึงได้ภายในไม่กี่นาที
“AI ไม่ได้ทำให้ทุกคนกลายเป็นผู้เชี่ยวชาญข้ามคืนครับ แต่ทำให้ ต้นทุนของการเริ่มเรียนรู้ลดลงอย่างมหาศาล”
PwC รายงานใน 2025 Global AI Jobs Barometer ว่า ทักษะที่นายจ้างต้องการในงานที่มี AI exposure สูง กำลังเปลี่ยนเร็วกว่าอาชีพที่มี exposure ต่ำถึง 66% และรายงานยังพบด้วยว่า ความสำคัญของข้อกำหนดด้านวุฒิการศึกษากำลังลดลงเร็วกว่าสำหรับงานที่ถูก AI กระทบสูง (PwC)
ผมคิดว่านี่มีนัยสำคัญมากครับ เพราะโลกกำลังค่อยๆ เปลี่ยนเป็น
“เมื่อเจอโจทย์ที่คุณยังไม่รู้ คุณเรียนรู้มันได้เร็วแค่ไหน?”
นี่ไม่ได้หมายความว่า Degree ไม่มีค่า แต่หมายความว่า ความสามารถในการเรียนรู้ครั้งเดียวตอนอายุยี่สิบต้นๆ ไม่เพียงพอจะค้ำประกันมูลค่าเราอีกสามสิบปี
“การเรียนรู้จึงกำลังเปลี่ยนจาก Benefit ที่บริษัทมอบให้ มาเป็นส่วนหนึ่งของ Professional Responsibility ของคนทำงานทุกคน”
⸻
🧠 แต่ AI ไม่ได้ทำให้ทุกงาน “แทนได้” เท่ากัน
อีกจุดหนึ่งที่ผมคิดว่าต้องระวังคือ การเล่าเรื่อง AI ด้วยภาษาว่า “คนกำลังแข่งกับเครื่องจักร” มันทำให้เราคิดว่ามีผู้ชนะกับผู้แพ้เพียงสองฝั่ง แต่ความจริงซับซ้อนกว่านั้นครับ
IMF ประเมินว่า AI มีแนวโน้มกระทบงานประมาณ 40% ทั่วโลก โดยผลของ AI ไม่ได้มีเพียงการแทนที่แรงงาน แต่รวมถึงการ Complement หรือเสริมผลิตภาพของมนุษย์ ด้วย โดยเฉพาะงานความรู้ในประเทศพัฒนาแล้ว ซึ่งมีทั้ง exposure และ complementarity สูง (IMF)
“นี่หมายความว่า Exposure สูง ไม่ได้เท่ากับตกงานสูงเสมอไป”
นักวิเคราะห์อาจถูก AI กระทบสูง แต่หากเขาใช้ AI ขยายความสามารถในการมอง Pattern และยังเป็นผู้รับผิดชอบ Judgment สุดท้าย มูลค่าของเขาอาจเพิ่มขึ้น
* Doctor อาจใช้ AI ช่วยอ่านข้อมูล
* Engineer ใช้ AI ช่วยเขียน Code
* Lawyer ใช้ AI ช่วยค้นเอกสาร
* Product Manager ใช้ AI ช่วยสังเคราะห์ Feedback
แต่คุณค่าของคนเหล่านี้ไม่ได้หายไป หากเขายังเป็นผู้เชื่อมข้อมูลกับบริบท และรับผิดชอบต่อการเลือก
ดังนั้น โลกจึงกลายเป็นแบ่งระหว่าง “งานที่คุณค่าอยู่ใน Execution” กับ “งานที่คุณค่าอยู่ใน Judgment”
เพราะในระยะยาว AI จะทำ Execution ได้มากขึ้นเรื่อยๆ แต่ Judgment ยังผูกอยู่กับเป้าหมาย ข้อจำกัด ผลกระทบ และความรับผิดชอบ ซึ่งล้วนเป็นเรื่องของ Context
⸻
♟️ Strategic Thinking จึงไม่ได้แปลว่า “คิดเรื่องใหญ่” แต่มันคือความสามารถในการเลือกภายใต้ข้อจำกัด
คำว่า Strategic Thinking ถูกใช้บ่อยจนบางครั้งฟังดูเหมือนศัพท์ผู้บริหารครับ หลายคนคิดว่า การคิดเชิงกลยุทธ์คือการมอง Vision 5 ปี หรือทำสไลด์ Strategy
แต่ในชีวิตการทำงานจริง มันอาจเริ่มจากเรื่องเล็กกว่านั้นมาก เมื่อหัวหน้าให้โจทย์มา คุณไม่ได้รีบทำทันที แต่ถามว่า “ปัญหาที่แท้จริงที่เราต้องการแก้คืออะไร?” เมื่อ AI ให้คำตอบมาห้าทาง คุณไม่ได้ส่งต่อทั้งหมด แต่ถามว่า “ทางไหน Fit กับบริบทของเรามากที่สุด?”
เมื่อข้อมูลสนับสนุน Direction หนึ่ง คุณกล้าถามว่า “มี Evidence อะไรที่อาจหักล้างสมมติฐานนี้?” และเมื่อทุกอย่างดูน่าสนใจ คุณสามารถพูดว่า “เราไม่ควรทำเรื่องนี้ตอนนี้ เพราะ Opportunity Cost สูงเกินไป”
Strategic Thinking จึงไม่ได้อยู่ตรงการมีคำตอบมากกว่า AI มันอยู่ที่ความสามารถในการ เลือกคำถาม เลือกสมรภูมิ และเลือก Trade-off
AI สามารถเสนอ Strategy ได้สิบแบบในหนึ่งนาที แต่ AI ไม่ต้องเดินเข้าไปอธิบายกับพนักงานว่าทำไมต้องปิด Product ที่พวกเขาสร้างมาห้าปี
* มันไม่ต้องรับผิดชอบกับลูกค้าเมื่อผลลัพธ์ผิด
* ไม่ต้องเลือกว่าจะลงทุนงบก้อนสุดท้ายไว้ตรงไหน
* และไม่ต้องนอนคิดตอนกลางคืนว่า หากการตัดสินใจนี้ผิด คนหลายร้อยคนจะได้รับผลกระทบอย่างไร
Strategy จึงไม่ได้เป็นเพียง Logic มันคือ “Logic + Context + Trade-off + Accountability” และสี่อย่างนี้ยังเป็นพื้นที่ที่มนุษย์มีบทบาทสำคัญมากครับ
⸻
🚦 จาก Task Executor สู่ Problem Owner
ผมคิดว่าคนทำงานควรลองถามตัวเองว่า ในหนึ่งวัน เราใช้เวลาอยู่ในสามระดับนี้มากน้อยเพียงใด
ระดับที่ 1 — Task Executor
* มีคนบอกว่าต้องทำอะไร และเราทำให้เสร็จ
* AI จะกดมูลค่าของงานระดับนี้ลงเร็วที่สุด
ระดับที่ 2 — Problem Solver
* มีคนบอกปัญหามา
* เราเลือกวิธีแก้ หาข้อมูล ประสานงาน และส่งผลลัพธ์
* AI สามารถช่วยเราได้มาก และคนที่ใช้ AI เก่งจะมี Leverage สูงขึ้น
ระดับที่ 3 — Problem Owner
* เราเห็นปัญหาก่อนที่จะได้รับมอบหมาย
* เชื่อมผลกระทบกับธุรกิจ
* กำหนดว่าอะไรควรถูกแก้
* สร้าง Alignment
* เลือก Trade-off
* และรับผิดชอบ Outcome
ตรงนี้คือพื้นที่ที่มูลค่าของมนุษย์กำลังย้ายขึ้นไปครับ ไม่ใช่ทุกคนต้องกลายเป็น CEO เช่นบทบาทที่เปลี่ยนคือ
“Engineer ก็เป็น Problem Owner ได้, Designer ก็ได้, Finance ก็ได้, HR ก็ได้ หรือพนักงาน Customer Service ก็ได้”
ความแตกต่างอยู่ที่ คนคนนั้นมองงานของตัวเองเป็น
“รายการสิ่งที่ต้องทำ” หรือ “ผลลัพธ์ที่ตนรับผิดชอบ”
⸻
🧭 คำว่า “ก็บริษัทไม่สอนนิ?” อาจจะยังมีอยู่ แต่บริษัทก็ไม่ควรเป็นเจ้าของการเรียนรู้ทั้งหมด
ผมคิดว่าองค์กรเองก็ต้องระวังไม่โยนทุกอย่างกลับไปหาพนักงานครับ เข่น พูดว่า “AI มีแล้ว ไปเรียนเอง” แล้วลดงบพัฒนาคนทั้งหมด ไม่ใช่ Future of Work เพราะองค์กรยังมีหน้าที่สร้างบริบท มาตรฐาน ความปลอดภัย และเวลาให้คนเรียนรู้
พนักงานควรรับผิดชอบต่อ Curiosity ของตนเอง แต่องค์กรต้องรับผิดชอบต่อ Learning Environment
* หากทุกคนถูกใช้งานเต็ม 120%
* ไม่มีเวลาทดลอง
* ความผิดพลาดถูกลงโทษ
* และการเรียนรู้ไม่เคยถูกนับเป็นงาน
แล้วผู้บริหารประกาศว่า “ทุกคนต้อง Upskill ตัวเองนะ” ประโยคนี้ก็ไม่ต่างจากบอกให้นักวิ่งวิ่งเร็วขึ้น โดยไม่เคยให้เวลาฝึกครับ
โมเดลที่ยั่งยืนกว่าคือ
* บริษัทสร้างพื้นที่
* AI ลดต้นทุนการเรียนรู้
* ส่วนพนักงานรับผิดชอบการลงมือ
“ความรับผิดชอบต้องมีทั้งสองฝั่ง”
⸻
💸 อย่าแข่งกับ AI ด้วยต้นทุน เพราะคุณแพ้ตั้งแต่เริ่ม
* ถ้าเราวางโจทย์ว่า “คนกับ AI ใครทำงานเร็วกว่า?” มนุษย์แพ้แน่ๆ ครับ
* และถ้าถามว่า “ใครทำงานได้นานกว่าโดยไม่พัก?” เราก็แพ้อีก
* ถ้าถามว่า “ใครจำข้อมูลจำนวนมากกว่า?” มนุษย์ก็แพ้อีก
แต่ผมไม่คิดว่านี่เป็นเหตุผลให้ตกใจ เพราะรถยนต์ก็วิ่งเร็วกว่ามนุษย์ เครื่องคิดเลขคำนวณเร็วกว่า และ Database จำข้อมูลได้มากกว่าเรามานานแล้ว
มนุษย์ไม่ได้รักษามูลค่าไว้ด้วยการแข่งในมิติที่เครื่องจักรเหนือกว่า เราเปลี่ยนตำแหน่งของคุณค่า
ยุค AI ก็เหมือนกันครับ
* เราไม่ควรพิสูจน์คุณค่าด้วยจำนวนหน้า Report
* จำนวน Slide
* จำนวน Code
* หรือจำนวน Task ที่ปิดได้
แต่ควรขยับไปพิจารณถึง
* สิ่งที่ทำสร้าง Outcome อะไร
* ตัดสินใจอะไรได้ดีขึ้น
* ลดความเสี่ยงอะไร
* เปิดโอกาสอะไร
* และทำให้คนอื่นทำงานดีขึ้นอย่างไร
“เมื่อ Productivity ของ Execution เพิ่มขึ้น มาตรวัดคนก็ต้องเปลี่ยนตาม ไม่เช่นนั้นองค์กรจะเพียงผลิต Output ได้มากขึ้น โดยยังไม่รู้ว่าควรผลิตมันหรือไม่?”
⸻
✨ เมื่อคำตอบมีราคาถูก “คำถาม” และ “วิจารณญาณ” จะมีราคาแพงขึ้น
PwC พบว่า งานที่มี AI exposure สูงไม่ได้เรียกร้องเพียงทักษะเทคโนโลยีมากขึ้น แต่ Task ใหม่ในงานเหล่านี้มีแนวโน้มพึ่งพาทักษะอย่าง Judgment, Creativity และ Empathy มากขึ้นด้วย (PwC)
ผมคิดว่านี่เป็นภาพที่น่าสนใจกว่าคำว่า “AI มาแย่งงาน” มากครับ
“AI กำลังลดราคาของบางทักษะ และเพิ่มราคาของอีกบางทักษะไปพร้อมกัน”
* ในวันที่ AI ช่วยสร้าง Presentation ได้ คุณค่าของเราจะไม่อยู่ที่จัด Slide สวยแค่ไหน แต่อยู่ที่รู้ว่าเรื่องใดควรขึ้น Slide แรก
* ในวันที่ AI วิเคราะห์ Data ได้ คุณค่าจะไม่อยู่ที่สร้าง Chart ได้กี่รูป แต่อยู่ที่รู้ว่า Signal ไหนมีความหมายต่อธุรกิจจริง
* ในวันที่ AI เขียน Requirement ได้ คุณค่าของ Product Manager จะไม่อยู่ที่เอกสารยาวแค่ไหน แต่อยู่ที่รู้ว่า Requirement ไหนไม่ควรถูกเขียนตั้งแต่แรก
และในวันที่ AI ให้คำตอบได้แทบทุกเรื่อง ประโยค “หนูไม่รู้” จึงไม่ใช่ปัญหาครับ ประโยคที่น่ากังวลกว่าคือ “หนูไม่รู้…และกำลังรอให้ใครมาบอกว่าต้องทำอะไรต่อ”
⸻
🌱 อย่าถามว่า “AI จะมาแทนเราไหม?” ให้ถามว่า “เรากำลังยืนอยู่ในส่วนไหนของงานที่ถูกทำให้ราคาถูกลง?”
ผมไม่คิดว่าเก้าอี้ของคนทำงานทุกคนกำลังจะหายครับ
แต่ผมคิดว่า Job Description จำนวนมากกำลังถูกบีบอัด
* งานที่เคยต้องใช้สามคนอาจเหลือหนึ่งคน
* งานที่เคยใช้สามวันอาจเหลือหนึ่งชั่วโมง
* และงานบางอย่างที่เคยต้องรอผู้เชี่ยวชาญ อาจเริ่มต้นได้ด้วยตัวเอง
ดังนั้น สิ่งที่อันตรายที่สุดไม่ใช่ AI เก่งขึ้น แต่คือเรายังนิยามคุณค่าตัวเองด้วยงานที่ AI กำลังทำให้ราคาถูกลงเรื่อยๆ ผมจึงไม่คิดว่าทางรอดคือการพยายามเป็นมนุษย์ที่ทำงานได้เหมือน AI มากที่สุดครับ
ตรงกันข้าม “เราต้องใช้ AI รับงานที่เครื่องทำได้ดี เพื่อคืนเวลาให้ตัวเองไปทำงานที่ต้องใช้”
* บริบท
* วิจารณญาณ
* ความสัมพันธ์
* ความกล้าเลือก
* และความรับผิดชอบ
AI อาจเป็น “ผู้ช่วยระดับด็อกเตอร์” ที่เข้าถึงได้ราคาถูกลงเรื่อยๆ แต่ผู้ช่วยที่เก่งที่สุดในโลกก็ไม่มีประโยชน์ หากคนที่ถือพวงมาลัยไม่รู้ว่าจะพาองค์กรไปทางไหน
ในอดีต บริษัทอาจจ่ายเงินเดือนให้เราเพราะเรามีความรู้ที่คนอื่นไม่มี วันนี้ความรู้นั้นเรียกใช้ได้ภายในไม่กี่วินาที ค่าตัวของมนุษย์จึงกำลังย้ายจาก
“สิ่งที่คุณรู้” ไปสู่ “สิ่งที่คุณมองเห็นจากสิ่งที่รู้ และสิ่งที่คุณกล้าตัดสินใจหลังจากนั้น”
เพราะอนาคตอาจไม่ได้เป็นของคนที่รู้คำตอบมากที่สุดครับ แต่น่าจะเป็นของคนที่มองออกว่า
“คำถามไหนคู่ควรแก่การใช้ทั้งคน เงิน เวลา และ AI ขององค์กรเข้าไปตอบ”
#วันละเรื่องสองเรื่อง #ExecutiveMindset #FutureOfWork #StrategicThinking #AITransformation #CareerStrategy #Judgment #KnowledgeWork #TechLeadership
⸻
📚 Source / Reference
* OpenAI — Learning to Reason with LLMs / OpenAI o1: ใช้ประกอบความสามารถของ reasoning model บน GPQA Diamond ซึ่งเป็น benchmark ด้านฟิสิกส์ เคมี และชีววิทยาระดับยาก โดย OpenAI รายงานว่า o1 ทำผลงานเหนือกลุ่มผู้เชี่ยวชาญ Ph.D. ที่ใช้เปรียบเทียบ ทั้งนี้บทความไม่ตีความผล benchmark ว่า AI มีความสามารถเทียบเท่าผู้เชี่ยวชาญมนุษย์ในทุกมิติ (OpenAI)
* PwC — 2025 Global AI Jobs Barometer: ใช้อ้างอิงข้อมูลว่า ทักษะที่นายจ้างต้องการในงานที่มี AI exposure สูงเปลี่ยนเร็วกว่าอาชีพที่มี exposure ต่ำ 66% และความต้องการด้าน Degree ลดลงเร็วขึ้นในกลุ่มงานที่ถูก AI กระทบสูง (PwC)
* PwC — AI Jobs Barometer: ใช้ประกอบมิติว่าทักษะใหม่ในงานที่ถูก AI กระทบสูงมีแนวโน้มพึ่งพา Judgment, Creativity และ Empathy มากขึ้น ไม่ใช่เพียงทักษะเทคโนโลยี (PwC)
* International Monetary Fund — Gen-AI: Artificial Intelligence and the Future of Work: ใช้ประกอบกรอบ AI Exposure และ Complementarity โดย IMF ประเมินว่า AI มีแนวโน้มกระทบงานประมาณ 40% ทั่วโลก แต่ผลลัพธ์มีทั้งการแทนที่และการเสริมผลิตภาพของแรงงาน ไม่ใช่ Automation เพียงด้านเดียว (IMF)
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2026 Blockdit
