AI กำลังทำให้การทำงานที่สร้างความเชี่ยวชาญเป็นอัตโนมัติ

เมื่อบริษัทตัดสินใจว่าจะทำให้การทำงานใดเป็นอัตโนมัติ พวกเขามักจะวัดเวลา ต้นทุน อัตราความผิดพลาด และผลผลิต แต่พวกเขาแทบจะไม่วัดสิ่งที่งานสอนให้กับผู้ที่ทำมัน สิ่งนี้มีความสำคัญเพราะงานหลายอย่างที่ดูเหมือนซ้ำซ้อนหรือไม่มีประสิทธิภาพก็เป็นส่วนหนึ่งของระบบการฝึกงานที่ไม่เห็นได้ ซึ่งผู้คนสามารถพัฒนาทักษะและความสามารถในการทำงานได้

นักวิเคราะห์ระดับจูเนียร์ที่สร้างแบบจำลองครั้งแรก นักพัฒนาที่ตามหาข้อผิดพลาดพื้นฐาน ตัวแทนฝ่ายสนับสนุนที่จัดการกับข้อร้องเรียนทั่วไป และทนายความที่เตรียมบันทึกการวิจัยเบื้องต้น đềuกำลังผลิตงาน แต่พวกเขากำลังเรียนรู้ว่าข้อมูลเชื่อมต่อกันอย่างไร สิ่งใดมีความสำคัญ ข้อผิดพลาดเกิดขึ้นที่ไหน และเมื่อใดที่รูปแบบที่คุ้นเคยไม่สามารถใช้ได้อีกต่อไป หาก AI ลบงานออกโดยไม่ต้องแทนที่กระบวนการเรียนรู้ องค์กรอาจเพิ่มความเร็วในขณะนี้ แต่อาจทำให้ความเชี่ยวชาญที่ต้องการในอนาคตอ่อนแอลง

คำถามเกี่ยวกับแรงงานจึงมีขนาดใหญ่กว่าการพิจารณาว่า AI จะลดการรับจ้างในระดับเริ่มต้นหรือไม่ ผู้นำจะต้องถามว่าเกิดอะไรขึ้นกับวงจรการฝึกซ้อมที่เคยเปลี่ยนพนักงานที่ไม่มีประสบการณ์ให้กลายเป็นคนที่สามารถตัดสินใจ แก้ไข และดูแลระบบอัจฉริยะได้

ความเชี่ยวชาญถูกสร้างขึ้นผ่านการแก้ไข

ความเชี่ยวชาญมักถูกอธิบายว่าเป็นความรู้ แต่ความรู้เพียงอย่างเดียวไม่เพียงพอ ผู้ที่มีประสบการณ์มีกรณีศึกษามากพอที่จะรู้จักสัญญาณอ่อนๆ สังเกตเห็นรูปแบบผิดปกติ และเข้าใจเมื่อต้องใช้คำตอบมาตรฐานเมื่อใด ความสามารถในการตัดสินใจนี้พัฒนาผ่านการทำซ้ำของการทำงาน การรับคำติชม การแก้ไขข้อผิดพลาด และการเห็นผลลัพธ์ของการตัดสินใจ

หลายงานจูเนียร์มีคุณค่าเพราะพวกมันสร้างวงจรเหล่านั้น การเขียนร่างครั้งแรกของการวิเคราะห์ทำให้บางคนต้องตัดสินใจว่าสิ่งใดที่เกี่ยวข้อง การทำความสะอาดข้อมูลเผยให้เห็นว่าข้อมูลจริงไม่สมบูรณ์อย่างไร การจัดการกรณีลูกค้าทั่วไปสอนให้รู้จักรูปแบบปกติ ซึ่งทำให้กรณีที่ไม่ปกติในอนาคตง่ายต่อการรู้จัก การทบทวนผลงานที่เสร็จสิ้นของผู้เชี่ยวชาญไม่สร้างความลึกในแบบเดียวกัน เพราะการตัดสินใจที่ยากแล้วถูกทำและซ่อนไว้

AI สามารถบีบอัดวงจรเหล่านี้ได้ ร่างแรกมาถึงก่อนที่พนักงานจะกำหนดปัญหาได้ ผู้ช่วยโค้ดเสนอคำตอบก่อนที่นักพัฒนาจะตามหาสาเหตุของความล้มเหลว เครื่องมือวิจัยสรุปหลักฐานก่อนที่นักวิเคราะห์จะเทียบเคียงแหล่งข้อมูล ผลลัพธ์อาจดีขึ้นและเร็วขึ้น แต่พนักงานได้รับโอกาสน้อยลงในการสร้างแบบจำลองภายในว่าทำไมจึงถูกต้อง

AI สามารถเร่งการเรียนรู้ แต่การออกแบบมีความสำคัญ

ความเสี่ยงไม่ใช่เรื่องที่หลีกเลี่ยงไม่ได้ หลักฐานที่เข้มแข็งเกี่ยวกับ AI ที่ทำงานแสดงให้เห็นว่าสามารถช่วยพนักงานที่ไม่มีประสบการณ์ให้เรียนรู้ได้เร็วขึ้นเมื่อใช้เป็นคำแนะนำมากกว่าการแทนที่การมีส่วนร่วม

การศึกษา ของ NBER เกี่ยวกับตัวแทนฝ่ายสนับสนุน 5,179 คนพบว่าการเข้าถึงผู้ช่วย AI ที่สร้างขึ้นเพิ่มผลผลิตโดยเฉลี่ย 14 เปอร์เซ็นต์ โดยมีการปรับปรุง 34 เปอร์เซ็นต์ในหมู่ผู้ที่ไม่มีประสบการณ์และทักษะต่ำกว่า นักวิจัยพบหลักฐานที่ชี้ให้เห็นว่าระบบช่วยในการเผยแพร่แนวปฏิบัติของตัวแทนฝ่ายสนับสนุนที่แข็งแกร่งและย้ายพนักงานใหม่ลงไปตามเส้นโค้งของประสบการณ์เร็วขึ้น

การออกแบบงานมีความสำคัญ ตัวแทนฝ่ายสนับสนุนได้รับคำแนะนำระหว่างการสนทนากับลูกค้าจริง แต่พวกเขายังคงต้องตีความสถานการณ์ เลือกวิธีการตอบสนอง และสังเกตผลลัพธ์ วงจรการเรียนรู้ยังคงอยู่ AI เพิ่มการเข้าถึงรูปแบบผู้เชี่ยวชาญที่เหมาะสมเวลาโดยไม่ลบพนักงานออกจากการตัดสินใจ

สิ่งนี้แตกต่างจากกระบวนการที่ระบบทำงานให้เสร็จสิ้นและพนักงานทำการอนุมัติอย่างรวดเร็วที่สุด เมื่อผู้คนยังคงมีส่วนร่วมในการวินิจฉัย การเลือก และผลลัพธ์ AI สามารถทำงานเป็นโค้ชได้ เมื่อพวกเขาถูกลดให้เหลือการยอมรับผลลัพธ์ที่เสร็จสิ้น เทคโนโลยีอาจเพิ่มการผลิตในระยะสั้น แต่จะทำน้อยลงสำหรับความสามารถในระยะยาว

การอัตโนมัติกำลังเข้าถึงงานที่สร้างทุนมนุษย์

มันง่ายที่จะสมมติว่า AI จะลบเฉพาะงานซ้ำซ้อนและทักษะต่ำเท่านั้น หลักฐานปัจจุบันชี้ให้เห็นว่ามีรูปแบบที่ซับซ้อนกว่านั้น

ดัชนีเศรษฐกิจ ของ Anthropic ในเดือนมกราคม 2026พบว่างานที่ครอบคลุมโดย Claude ต้องการการศึกษามากกว่าค่าเฉลี่ยของเศรษฐกิจ ในการประมาณการเชิงทดลอง นักวิจัยพบว่าการลบงานที่ครอบคลุมโดย AI ออกจากอาชีพจะทำให้เกิดผลกระทบต่อทักษะของงานในลำดับแรก เนื่องจากงานที่ครอบคลุมหลายงานแทนองค์ประกอบระดับอุดมศึกษาของบทบาท Anthropic ระบุว่านี่ไม่ใช่การคาดการณ์ เนื่องจากอาชีพอาจพัฒนาและงานใหม่อาจปรากฏขึ้น แต่การค้นพบควรเปลี่ยนแนวทางที่บริษัทคิดเกี่ยวกับการอัตโนมัติ

งานซ้ำซ้อนและงานพัฒนามิใช่สิ่งที่ตรงกันข้าม การเตรียมการวิเคราะห์อาจกลายเป็นงานซ้ำซ้อนสำหรับพนักงานที่มีประสบการณ์ ในขณะที่ยังคงเป็นการฝึกซ้อมที่จำเป็นสำหรับพนักงานจูเนียร์ การเตรียมสัญญามาตรฐาน การแก้ไขข้อผิดพลาดที่คุ้นเคย การเตรียมการพยากรณ์ และการตรวจสอบประวัติลูกค้าอาจเป็นอัตโนมัติได้ แต่ก็ทำให้พนักงานได้สัมผัสกับโครงสร้างของอาชีพ

สิ่งนี้สร้างปัญหาเชิงกลยุทธ์ งานที่ง่ายที่สุดในการอัตโนมัติอาจเป็นงานที่พนักงานใหม่เรียนรู้บริบทที่จำเป็นในการจัดการกับงานที่ยากลำบากในอนาคต

ปัญหาการยืนยัน

หลายองค์กรตอบสนองโดยบอกว่าคนจะย้ายจากการผลิตไปสู่การยืนยัน AI จะสร้างงาน ในขณะที่มนุษย์จะตรวจสอบความถูกต้อง ใช้ ngữ cảnh และรับผิดชอบ สิ่งนี้ดูสมเหตุสมผล แต่มันประกอบด้วยปัญหา: การยืนยันตัวมันเองต้องใช้ความเชี่ยวชาญที่งานอัตโนมัติที่เคยช่วยสร้าง

การศึกษา ของ Microsoft Research (MSFT ) ที่เกี่ยวข้องกับพนักงานที่มีความรู้ 319 คน และตัวอย่างการใช้ AI ที่สร้างขึ้น 936 รายการ พบว่าความมั่นใจที่เพิ่มขึ้นใน AI เกี่ยวข้องกับความพยายามในการคิดอย่างมีวิจารณญาณที่ลดลง การศึกษายังพบว่า AI มีการเปลี่ยนแปลงการคิดอย่างมีวิจารณญาณไปสู่การยืนยัน การบูรณาการ และการดูแลงาน ซึ่งเป็นกิจกรรมที่มีคุณค่า แต่บุคคลไม่สามารถยืนยันได้ดีหากไม่มีความรู้ในด้านนั้นเพียงพอเพื่อรู้ว่าอะไรอาจหายไป

พนักงานที่ไม่มีประสบการณ์สามารถตรวจสอบได้ว่าคำตอบไม่สอดคล้องกันหรือไม่ได้รับการสนับสนุนหรือไม่ แต่มันจะยากที่จะสังเกตว่าการวิเคราะห์ใช้เฟรมเวิร์กที่ไม่ถูกต้อง เพิกเฉยต่อข้อจำกัดในการดำเนินงาน หรือได้ข้อสรุปที่น่าเชื่อถือ แต่ด้วยเหตุผลที่ไม่ถูกต้อง ผลลัพธ์ของ AI ที่เสร็จสิ้นอาจซ่อนการขาดความเข้าใจเพราะมันดูสมบูรณ์ก่อนที่พนักงานจะพัฒนาความสามารถในการตัดสินใจ

การวิจัยเกี่ยวกับ “จุดหน้าจั่วของเทคโนโลยี”ทำให้ปัญหานี้เป็นรูปธรรม ในการทดลองกับที่ปรึกษาที่มี 758 คน ผู้ใช้ AI เสร็จสิ้นงานภายในขอบเขตความสามารถของเทคโนโลยี 25.1 เปอร์เซ็นต์เร็วขึ้น และผลลัพธ์มีคุณภาพมากกว่า 40 เปอร์เซ็นต์ แต่สำหรับงานนอกขอบเขตนั้น ผู้ใช้ AI มีแนวโน้มที่จะไม่ถึงคำตอบที่ถูกต้อง 19 เปอร์เซ็นต์เมื่อเทียบกับผู้ที่ทำงานโดยไม่ใช้ AI

ความสามารถที่สำคัญไม่ใช่แค่การใช้ AI แต่เป็นการรู้ว่าเมื่อใดที่ระบบทำงานนอกขอบเขตของประสิทธิภาพที่เชื่อถือได้ ขอบเขตนั้นไม่ชัดเจน และการเรียนรู้ที่จะเห็นขอบเขตนั้นต้องใช้ประสบการณ์จากทั้งกรณีที่สำเร็จและล้มเหลว

ความเสี่ยงในการสืบทอดที่ซ่อนอยู่

รายงาน ของ World Economic Forum เกี่ยวกับอนาคตของงานในปี 2025พบว่าผู้จ้างคาดว่า 39 เปอร์เซ็นต์ของทักษะหลักของพนักงานจะเปลี่ยนแปลงภายในปี 2030 นอกจากนี้ยังพบว่า 63 เปอร์เซ็นต์ของผู้จ้างมองว่าช่องว่างทักษะเป็นอุปสรรคสำคัญต่อการเปลี่ยนแปลง ในขณะที่ 77 เปอร์เซ็นต์กำลังวางแผนเพื่อเพิ่มทักษะให้กับพนักงาน และ 41 เปอร์เซ็นต์คาดว่าจะลดจำนวนพนักงานเนื่องจาก AI อัตโนมัติงาน

กลยุทธ์เหล่านี้อาจขัดแย้งกันหากองค์กรลบงานออกมากเกินไปซึ่งเป็นงานที่ทักษะถูกสร้างขึ้น บริษัทสามารถลดการรับจ้างจูเนียร์ ขึ้นอยู่กับพนักงานอาวุโสในการดูแล AI และยังคงรายงานผลผลิตที่แข็งแกร่งเป็นเวลาหลายปี อ่อนแอลงเมื่อผู้เชี่ยวชาญที่มีประสบการณ์ออกไป อุปสงค์ขยายตัว หรือองค์กรต้องการพนักงานที่สามารถจัดการกับสถานการณ์ที่ระบบไม่เคยเห็น

ผู้เชี่ยวชาญอาวุโสยังสามารถกลายเป็นข้อจำกัดในการดำเนินงานใหม่ หาก AI เพิ่มปริมาณงาน แต่เฉพาะกลุ่มเล็กๆ เท่านั้นที่สามารถยืนยันผลลัพธ์ที่ยากได้ พวกเขาจะใช้เวลามากขึ้นในการทบทวนและแก้ไขมากกว่าการสอน บริษัทได้รับกำลังการผลิต แต่กระจายการตัดสินใจในมือไม่กี่คน

ไม่มีองค์กรใดสามารถอัตโนมัติกระบวนการฝึกงานแล้วคาดหวังว่าจะซื้อประสบการณ์จากตลาดได้ หากหลายบริษัทติดตามกลยุทธ์เดียวกัน กลุ่มผู้มีประสบการณ์นอกองค์กรจะกลายเป็นกลุ่มที่บางและแพงกว่า

วัดคุณค่าพัฒนาการของงาน

ก่อนที่จะอัตโนมัติงาน บริษัทควรประเมินงานตามสองมิติ มิติแรกคือคุณค่าของผลลัพธ์: ความสำคัญ ต้นทุน และความเร่งด่วนของผลลัพธ์เป็นอย่างไร มิติที่สองคือคุณค่าพัฒนาการ: การทำงานสอนให้คนพัฒนาความสามารถอะไร

งานที่มีคุณค่าผลลัพธ์ต่ำและคุณค่าพัฒนาการต่ำเป็นผู้สมัครที่ชัดเจนสำหรับการอัตโนมัติเต็มรูปแบบ การจัดรูปแบบเอกสารซ้ำซ้อนหรือการถ่ายโอนข้อมูลระหว่างระบบอาจสอนน้อยหลังจากที่ความสามารถพื้นฐานถูกบรรลุ

งานที่มีคุณค่าผลลัพธ์สูงแต่มีคุณค่าพัฒนาการต่ำสามารถอัตโนมัติได้โดยมีการควบคุมที่เหมาะสม องค์กรยังคงต้องการการกำกับดูแลเพราะผลลัพธ์มีความสำคัญ แต่การรักษากระบวนการด้วยมืออาจมีส่วนร่วมน้อยต่อการเติบโตของพนักงาน

หมวดที่ถูกละเลยมากที่สุดประกอบด้วยงานที่มีคุณค่าผลลัพธ์ปานกลางแต่มีคุณค่าพัฒนาการสูง ร่างแรกของพนักงานจูเนียร์อาจไม่มีความสำคัญทางพาณิชย์เพราะผู้อาวุโสจะแก้ไขมัน แต่การผลิตสิ่งนี้สร้างการเปรียบเทียบที่มีค่าระหว่างการให้เหตุผลเริ่มต้นและคำติชมจากผู้เชี่ยวชาญ การลบรอบการทำงานนี้ช่วยประหยัดเวลา แต่ลบการฝึกซ้อมด้วย

งานที่มีทั้งคุณค่าผลลัพธ์สูงและคุณค่าพัฒนาการสูงควรได้รับการเพิ่มประสิทธิภาพมากกว่าการมอบหมายทั้งหมด พนักงานสามารถใช้ AI สำหรับการวิจัย ตัวเลือก และการวิจารณ์ แต่พวกเขาควรรักษาความรับผิดชอบที่มีความหมายสำหรับการกำหนดปัญหา อธิบายการตัดสินใจ และเรียนรู้จากผลลัพธ์

สร้างชั้นการฝึกงานอย่างตั้งใจ

เมื่อได้ระบุงานที่มีคุณค่าพัฒนาการแล้ว บริษัทสามารถออกแบบงานใหม่แทนการรักษากระบวนการทำงานที่ไม่มีประสิทธิภาพไว้ไม่เปลี่ยนแปลง เป้าหมายไม่ใช่ให้พนักงานทำซ้ำกระบวนการด้วยมือทั้งหมดจากอดีต แต่เป็นการสร้างประสบการณ์ที่สร้างความสามารถในการตัดสินใจในรูปแบบที่เร็วขึ้นและตั้งใจมากขึ้น

หนึ่งในตัวเลือกคือการรักษาการคิดครั้งแรก ก่อนที่จะเห็นคำแนะนำของ AI พนักงานจะบันทึกการวินิจฉัย การพยากรณ์ หรือการตัดสินใจเริ่มต้น ระบบสามารถให้ทางเลือกอื่น และพนักงานจะต้องอธิบายว่าทั้งสองแตกต่างกันอย่างไร และจะใช้แนวทางไหน

องค์กรสามารถสร้างห้องสมุดของความล้มเหลวของ AI กรณีขอบเขต และการตัดสินที่ถูกโต้แย้ง การทบทวนเฉพาะผลลัพธ์ที่สำเร็จสอนให้พนักงานไว้วางใจระบบ การศึกษาความล้มเหลวช่วยให้พวกเขาเห็นเงื่อนไขที่ต้องมีการยกเลิก หลักฐานเพิ่มเติม หรือการแทรกแซงจากมนุษย์

ผู้จัดการควรประเมินว่าการเรียนรู้ถูกถ่ายทอดไปไกลกว่าเครื่องมือหรือไม่ พนักงานสามารถอธิบายเหตุผลเบื้องหลังผลลัพธ์สุดท้ายได้หรือไม่ พวกเขาสามารถระบุสมมติฐานที่จะทำให้ผลลัพธ์ไม่ถูกต้องได้หรือไม่ พวกเขาสามารถปรับตัวเมื่อบริบทเปลี่ยนหรือ AI ไม่มีอยู่หรือไม่ คำถามเหล่านี้เปิดเผยมากกว่าความพร้อมที่จะใช้คำสั่งหรืองานที่เสร็จสิ้น

สิ่งที่สำคัญที่สุดคือพนักงานจูเนียร์ยังคงต้องการความรับผิดชอบที่แท้จริง การจำลองและฝึกซ้อมแบบมีโครงสร้างช่วย แต่ความเชี่ยวชาญยังขึ้นอยู่กับผลลัพธ์ การให้คำติชม และการสัมผัสกับความซับซ้อนที่แท้จริง AI ควรทำให้ประสบการณ์เหล่านี้ปลอดภัยและบ่อยขึ้น ไม่ใช่ลบมันไปทั้งหมด

ความได้เปรียบของกำลังแรงงานจะมาจากความเชี่ยวชาญที่เร็วขึ้น

องค์กรที่แข็งแกร่งที่สุดจะไม่ใช่สิ่งที่อัตโนมัติงานจูเนียร์มากที่สุด แต่จะเป็นองค์กรที่ลบความพยายามที่มีคุณค่าต่ำออกไปในขณะที่เร่งการเติบโตของคนให้สามารถใช้ AI ที่มีความรับผิดชอบได้

สิ่งนี้ต้องการคำจำกัดความที่กว้างขึ้นของผลตอบแทนจากการอัตโนมัติ เวลาและผลผลิตที่ประหยัดได้เป็นสิ่งสำคัญ แต่ผู้นำควรประเมินว่ากระบวนการทำงานใหม่ทำให้กระบวนการฝึกซ้อมขององค์กรแข็งแกร่งหรืออ่อนแอลงหรือไม่ กระบวนการที่ลดต้นทุนในขณะที่ทำลายท่อประปาทักษะอาจมีประสิทธิภาพเฉพาะในระยะสั้นเท่านั้น

ก่อนที่จะอนุมัติโครงการอัตโนมัติครั้งถัดไป ผู้นำควรถามคำถามเพิ่มเติม: พนักงานเรียนรู้อะไรจากการทำงาน และจะเรียนรู้ที่ไหนหลังจากที่งานถูกอัตโนมัติ

คำตอบจะกำหนดว่า AI เพียงเพิ่มผลผลิตหรือช่วยสร้างคนรุ่นต่อไปของผู้เชี่ยวชาญ