แรงงานหด – งาน Junior เสี่ยง “Broken Ladder” เร่งใช้ AI เพิ่ม Productivity

“ดร.สันติธาร เสถียรไทย” มองโจทย์ไทย ไม่ใช่เพียง “AI จะมาแย่งงานหรือไม่” แต่คือ จะใช้ AI เพิ่ม Productivity เพื่อชดเชยแรงงานที่ลดลงอย่างไร โดยไม่ปล่อยให้คนรุ่นใหม่ติดอยู่ในภาวะ “Broken Ladder” หรือบันไดเข้าสู่อาชีพที่กำลังขาดหาย

เศรษฐกิจไทยกำลังเผชิญโจทย์ใหญ่พร้อมกันสองด้าน ทั้งการเติบโตต่ำและจำนวนแรงงาน ที่มีแนวโน้มหดตัวจากสังคมสูงวัย ขณะที่ AI กำลังพัฒนาอย่างรวดเร็วและเริ่มเปลี่ยนโครงสร้างการทำงาน

การเปลี่ยนแปลงที่เกิดขึ้นในช่วงไม่กี่ปีสะท้อนว่า AI ไม่ได้หยุดอยู่ที่ Chatbot หรือ Generative AI อีกต่อไป

ดร.สันติธาร เสถียรไทย ผู้ช่วยรัฐมนตรีประจำกระทรวงการคลัง เสนอมุมมอง การเปลี่ยนแปลงนี้ในฐานะ “Intelligence Economy” หรือเศรษฐกิจที่ปัญญาและความสามารถในการนำ AI มาใช้กำลังกลายเป็นปัจจัยการผลิตและความสามารถในการแข่งขันที่สำคัญ

จุดเปลี่ยนสำคัญหลายระลอก เริ่มจาก ChatGPT และ GPT-4 ที่ทำให้ Generative AI เข้าสู่กระแสหลัก ก่อนมาถึง “DeepSeek moment” ซึ่งสะท้อนว่าการแข่งขัน AI ไม่ได้เป็นเพียงการแข่งขันระหว่างบริษัทเทคโนโลยี แต่เชื่อมโยงกับการแข่งขันเชิงภูมิรัฐศาสตร์ระหว่างจีนและสหรัฐฯ

อีกจุดเปลี่ยนคือ Agentic AI ซึ่งทำให้ AI เปลี่ยนสถานะจากเครื่องมือที่รอรับคำสั่งทีละขั้น ไปสู่ “ผู้ช่วย” ที่สามารถวางแผน ใช้เครื่องมือ และดำเนินงานหลายขั้นตอนได้ด้วยตัวเอง

และระลอกถัดไปคือ Physical AI ตั้งแต่หุ่นยนต์จนถึง Humanoid ซึ่งทำให้ AI ไม่ได้มีเพียง “สมอง” แต่เริ่มมีความสามารถในการปฏิบัติงานในโลกกายภาพ

สำหรับภาคธุรกิจ ความเร็วของการเปลี่ยนแปลงจึงทำให้โจทย์สำคัญไม่ใช่แค่องค์กร “มี AI หรือยัง” แต่คือโครงสร้างงาน กระบวนการ และ Business Model ถูกออกแบบให้รองรับเศรษฐกิจใหม่หรือไม่

เมื่อแรงงานไทยหด AI อาจกลายเป็นเครื่องมือเพิ่ม Productivity

ความน่าสนใจอยู่ตรงที่ AI กำลังมาถึงในช่วงเวลาที่ประเทศไทยกำลังเผชิญปัญหาประชากรในทิศทางตรงกันข้ามกับความกังวลเรื่อง “AI แย่งงาน”

ดร.สันติธาร เปรียบเศรษฐกิจเหมือนโรงงานที่ต้องอาศัย 3 ปัจจัยเพื่อผลิตได้มากขึ้น ได้แก่ เพิ่มจำนวนคน เพิ่มเครื่องจักร หรือทำให้คนมี Productivity สูงขึ้น

แต่เครื่องยนต์จาก “จำนวนคน” ของประเทศไทยกำลังอ่อนแรงจากสังคมสูงวัยและจำนวนประชากรวัยทำงานที่ลดลง

ข้อมูลของ World Bank ช่วยให้เห็นขนาดของโจทย์ชัดขึ้น โดยสัดส่วนประชากรวัยทำงานของไทยมีแนวโน้มลดจาก 71% ของประชากรในปี 2020 เหลือ 56% ในปี 2060 คิดเป็นการลดลงของประชากรวัยทำงานเกือบ 30%

นั่นทำให้คำถามเรื่อง AI ของไทยต่างจากประเทศที่ยังมีแรงงานเพิ่มขึ้น

แทนที่จะถามเพียงว่า “AI จะมาแทนคนกี่ตำแหน่ง” ประเทศไทยต้องถามเพิ่มว่า “AI จะช่วยให้แรงงานจำนวนลดลงสามารถสร้างผลผลิตเพิ่มขึ้นได้อย่างไร”

โจทย์ดังกล่าวยิ่งสำคัญเมื่อ World Bank ระบุในรายงาน Building Thailand’s Future Today ว่า หากประเทศไทยต้องการก้าวสู่ประเทศรายได้สูงภายในปี 2037 จะต้องยกระดับการเติบโตของ GDP ต่อหัวจริงเฉลี่ยเป็นประมาณ 5.4% ต่อปีในทศวรรษหน้า โดยหนึ่งในเงื่อนไขสำคัญคือการเพิ่ม Productivity ผ่านเทคโนโลยี นวัตกรรมและทักษะของแรงงาน

ดังนั้น AI จึงอาจเป็นทั้ง Disruption และเครื่องมือเชิงโครงสร้างสำหรับเศรษฐกิจไทยในเวลาเดียวกัน

“All in AI” หรือ “AI in All” ไทยต้องเล่นเกมไหน?

ดร.สันติธาร แบ่งยุทธศาสตร์เศรษฐกิจ AI ออกเป็น 2 แนวทาง

แนวทางแรกคือ All in AI มอง AI ในฐานะ Global Supply Chain ตั้งแต่ Compute, Semiconductor, Data Center, Energy ไปจนถึง Application ประเทศไม่จำเป็นต้องสร้าง Large Language Model ของตัวเองทั้งหมด แต่ต้องหาว่าตัวเองสามารถสร้างมูลค่าเพิ่มใน Layer ใดของห่วงโซ่นี้ได้

อีกแนวทางคือ AI in All ซึ่งอาจมีผลต่อเศรษฐกิจในวงกว้างกว่า นั่นคือการนำ AI ที่มีอยู่แล้วไปเพิ่มประสิทธิภาพในภาคเศรษฐกิจเดิม ตั้งแต่การศึกษา การแพทย์ อุตสาหกรรม ไปจนถึง Logistics

เป้าหมายสำคัญของ AI in All จึงไม่ใช่จำนวน AI Startup หรือจำนวนโมเดลที่ประเทศสร้างได้เพียงอย่างเดียว แต่คือ Productivity ที่เพิ่มขึ้นในเศรษฐกิจจริง

สำหรับไทย ยุทธศาสตร์ 2 ด้าน ไม่จำเป็นต้องเลือกอย่างใดอย่างหนึ่ง แต่ความท้าทายคือการจัดสรรทรัพยากรให้เหมาะสม ระหว่างการดึงการลงทุนใน AI Supply Chain กับการทำให้ธุรกิจและแรงงานจำนวนมากสามารถนำ AI ไปสร้างผลิตภาพจริง

“Broken Ladder” เมื่อ AI อาจกินงาน Junior ก่อน

ด้านกลับของ Productivity คือผลกระทบต่อตลาดแรงงาน โดยเฉพาะคนที่เพิ่งเข้าสู่โลกการทำงาน

ดร.สันติธาร เรียกปรากฏการณ์นี้ว่า “Broken Ladder” หรือบันไดอาชีพที่ขาดหาย

เหตุผลคือ AI สามารถทำงานจำนวนมากที่เคยเป็นหน้าที่ของพนักงานระดับ Junior ได้ ตั้งแต่งานวิเคราะห์เบื้องต้น งานบัญชี งานกฎหมาย ไปจนถึงการจัดทำข้อมูลและเอกสาร

ในโมเดลการทำงานที่มี AI มนุษย์อาจมีบทบาทมากขึ้นใน “ต้นทาง” และ “ปลายทาง”

ต้นทางคือการตั้งโจทย์และถามคำถามให้ถูก ส่วนปลายทางคือการตรวจสอบว่า Output ที่ AI สร้างขึ้นถูกต้อง มีบริบท และสามารถนำไปใช้จริงหรือไม่

ทั้ง 2 ขั้นตอนต้องอาศัย Domain Knowledge และประสบการณ์

ปัญหาจึงเกิดขึ้นว่า หากองค์กรลดงาน Junior เพราะ AI ทำได้เร็วกว่า คนรุ่นใหม่จะสะสม Domain Knowledge และประสบการณ์ที่จำเป็นต่อการก้าวขึ้นเป็น Senior ได้จากที่ใด

นี่ทำให้ Broken Ladder ไม่ใช่แค่ปัญหา “AI แย่งงาน” แต่เป็นโจทย์ Human Capital ระยะยาวของธุรกิจด้วย

หากบริษัทเพิ่ม Productivity ในวันนี้ด้วยการลดตำแหน่งเริ่มต้นจำนวนมาก แต่ไม่ได้สร้างระบบใหม่สำหรับพัฒนาคนรุ่นต่อไป บริษัทอาจเผชิญปัญหาขาด Talent ระดับกลางและระดับสูงในอนาคต

4 Classes ใหม่ ใครจะได้ประโยชน์จาก Intelligence Economy?

ดร.สันติธาร เสนอภาพตลาดแรงงานในอนาคตผ่านคน 4 กลุ่ม

• AI Landlord คือผู้ที่เป็นเจ้าของหรือพัฒนาโครงสร้างพื้นฐานและเทคโนโลยี AI ตั้งแต่โมเดล ชิป พลังงาน ไปจนถึง Application และมีโอกาสยืนอยู่ในส่วนที่มีมูลค่าสูงของห่วงโซ่

• AI Cyborg คือคนที่ไม่ได้สร้าง AI เอง แต่มี Domain Knowledge และสามารถใช้ AI ขยาย Productivity ของตัวเอง เช่น นักวิเคราะห์ นักการเงิน นักกฎหมาย นักบัญชี นักธุรกิจ และ Creative

• Human-Centric Professional Services คืองานที่ Human Touch ความสัมพันธ์ ความไว้ใจ และความเข้าใจมนุษย์ยังมีบทบาทสูง เช่น งานบริการ โรงแรม ร้านอาหาร และพยาบาล

• ส่วน Displaced คือกลุ่มที่ไม่สามารถเข้าถึงโอกาสจากสามกลุ่มแรก และเสี่ยงเผชิญการตกงาน การทำงานต่ำกว่าศักยภาพ หรือความไม่มั่นคงทางรายได้

โจทย์เชิงนโยบายจึงไม่ควรหยุดอยู่ที่ว่าไทยมี AI มากแค่ไหน แต่ต้องดูว่า AI สร้างการกระจาย Productivity และโอกาสให้แรงงานได้กว้างเพียงใด

3R จาก Reskill ถึง Re-imagine เมื่อองค์กรต้องออกแบบงานใหม่

แนวทางรับมือถูกสรุปผ่านกรอบ 3R — Reskill, Redesign และ Re-imagine

• R แรกคือ Reskill แต่ไม่ใช่เพียงสอนให้คนใช้ Prompt

ดร.สันติธาร เสนอกรอบทักษะ PRIDE ซึ่งประกอบด้วย Proficiency หรือความสามารถใช้ AI, Immunity หรือภูมิคุ้มกันต่อความเสี่ยงตั้งแต่ Cybersecurity, Scam ไปจนถึงการพึ่งพา AI มากเกินไป, Depth หรือความรู้เชิงลึกในสาขาของตัวเอง และ Humanity หรือ Human Touch ที่เทคโนโลยีทดแทนได้ยาก

• R ที่สองคือ Redesign เพราะการนำ AI ไปใส่ใน Workflow เดิมอาจไม่ได้สร้างผลลัพธ์ดีที่สุด

ตัวอย่างหนึ่งคือกระบวนการเขียน หากมนุษย์คิดหัวข้อแล้วปล่อยให้ AI ร่างทั้งหมด แม้งานจะเร็วขึ้น แต่ผู้เขียนอาจสูญเสียกระบวนการคิดและการตกผลึกความรู้

อีกวิธีหนึ่งคือใช้ AI เป็นคู่คิดในช่วงแรก มนุษย์เขียนและตกผลึกความคิดด้วยตัวเอง ก่อนให้ AI กลับมาเป็น Auditor ตรวจสอบภายหลัง

ความแตกต่างนี้สะท้อนว่า Productivity ไม่ควรถูกวัดด้วย “ความเร็ว” เพียงมิติเดียว แต่ต้องพิจารณาคุณภาพ การเรียนรู้ และความสามารถของคนในระยะยาวด้วย

• R สุดท้ายคือ Re-imagine ซึ่งหมายถึงการคิดใหม่ว่าพฤติกรรมลูกค้าจะเปลี่ยนอย่างไร

ตัวอย่างสำคัญคือ Agentic Commerce เมื่อผู้บริโภคอาจไม่ได้ค้นสินค้า เปรียบเทียบราคา และสั่งซื้อผ่านแพลตฟอร์มด้วยตัวเอง แต่สั่ง AI Agent ให้ทำกระบวนการเหล่านั้นแทน

หากเกิดขึ้นในวงกว้าง ผลกระทบจะไม่ได้หยุดที่ E-commerce แต่จะลามไปถึง Search, Digital Advertising, Marketplace, Brand Discovery และ Customer Journey ทั้งระบบ

Productivity จาก AI ต้องไม่แลกด้วยการทำลาย “ระบบสร้างคน”

ประเด็นสำคัญสำหรับประเทศไทยจึงไม่ใช่การเลือกระหว่าง “ใช้ AI” กับ “รักษางานคน” เพราะในเศรษฐกิจที่จำนวนแรงงานกำลังลดลง ประเทศไทยมีเหตุผลทางโครงสร้างที่จะต้องใช้เทคโนโลยีเพิ่ม Productivity

แต่โจทย์ที่ยากกว่าคือการออกแบบ Transition

ในระดับธุรกิจ บริษัทต้องวัดผลตอบแทนจาก AI มากกว่า Cost Saving และ Headcount Reduction โดยควรรวมถึง Productivity per Worker, คุณภาพงาน, ความเร็วในการตัดสินใจ และการพัฒนาทักษะของพนักงาน

ในระดับแรงงาน การเรียนรู้ AI เพียงอย่างเดียวอาจไม่เพียงพอ เพราะหาก AI ทำงานทั่วไปได้มากขึ้น สิ่งที่สร้างความแตกต่างกลับเป็น Domain Knowledge ความสามารถตั้งคำถาม การตรวจสอบคำตอบ และ Human Skills

ส่วนในระดับประเทศ หาก Broken Ladder เกิดขึ้นจริง ระบบมหาวิทยาลัย การฝึกงาน การพัฒนา First Jobber และ Lifelong Learning จะต้องถูกออกแบบใหม่ เพราะโมเดลเดิมที่ให้คนเริ่มจากงานพื้นฐานแล้วค่อยสะสมประสบการณ์อาจใช้ไม่ได้เหมือนเดิม

จาก “Smart User” สู่ “Smart Cyborg”

ปลายทางของ Intelligence Economy จึงอาจไม่ได้อยู่ที่การแข่งขันว่าใครใช้ AI มากที่สุด แต่อยู่ที่ว่าใครสามารถผสมความสามารถของมนุษย์เข้ากับ AI ได้ดีที่สุด

ดร.สันติธาร สรุปแนวคิดนี้ด้วยคำว่า “รู้ AI รู้ I ใช้ปัญญา”

“รู้ AI” คือรู้ทั้งศักยภาพและความเสี่ยงของเทคโนโลยี “รู้ I” คือเข้าใจตัวเองและจุดแข็งของมนุษย์ และ “ใช้ปัญญา” คือการใช้ปัญญาประดิษฐ์เพื่อเพิ่มปัญญามนุษย์ พร้อมใช้ปัญญามนุษย์กำกับเทคโนโลยี

สำหรับประเทศไทย คำถามหลังจากนี้จึงไม่ใช่เพียง AI จะเก่งขึ้นอีกแค่ไหน แต่คือ เศรษฐกิจ ธุรกิจ ระบบการศึกษา และตลาดแรงงานไทยจะปรับตัวได้เร็วพอหรือไม่ ก่อนบันไดขั้นแรกของคนรุ่นใหม่จะหายไป