ทำไมบริษัทเริ่มลดงบ AI และหันกลับมาจ้างมนุษย์?

ตามข้อมูลที่ให้มา บริษัทจำนวนมากเริ่มทบทวนการลงทุนด้าน AI หลังพบว่าการนำ AI มาใช้งานไม่ได้หมายความว่าจะลดต้นทุนหรือเพิ่มผลกำไรโดยอัตโนมัติ ปัญหาสำคัญคือองค์กรจำนวนมากวัดความสำเร็จจากจำนวนครั้งที่พนักงานใช้งาน AI มากกว่าวัดผลลัพธ์ทางธุรกิจจริง จึงเกิดพฤติกรรมอย่าง “Token Maxing” ที่พนักงานพยายามใช้งาน AI ให้มากเพื่อให้ดูมี Productivity สูง ขณะที่บริษัทกลับต้องแบกรับค่าใช้จ่ายด้าน Compute เพิ่มขึ้นโดยไม่ได้สร้างมูลค่าตามสัดส่วน

ยิ่ง AI มีต้นทุนต่อ Token ถูกลง:

↓

คนยิ่งใช้มากขึ้น

↓

งานที่ไม่จำเป็นก็ถูกส่งให้ AI

↓

การใช้ Compute เพิ่มขึ้น

↓

ค่าใช้จ่ายรวมเพิ่มขึ้น

นี่คือ:

Jevons Paradox

ขณะเดียวกัน การลดจำนวนพนักงานก็สร้างต้นทุนอีกประเภทหนึ่งที่อยู่ในงบดุลได้ยากกว่า:

Tacit Knowledge

คือความรู้จาก:

กรณีของ Ford ในข้อมูลสะท้อนปัญหานี้อย่างชัดเจน:

ลดคน

↓

เพิ่ม Automation

↓

ความผิดพลาดเพิ่ม

↓

ต้นทุน Warranty และ Recall เพิ่ม

↓

ต้องดึงวิศวกรอาวุโสกลับมา

ดังนั้นคำถามในยุค AI จึงอาจไม่ใช่:

“AI สามารถแทนมนุษย์ได้หรือไม่?”

แต่คือ:

“งานส่วนไหนควรให้ AI ทำ และงานส่วนไหนยังต้องมีมนุษย์เป็นเจ้าของ?”

เพราะ AI อาจเก่งมากในการ:

ทำซ้ำสิ่งที่รู้

แต่ความได้เปรียบของมนุษย์อยู่ที่:

สร้างสิ่งที่ยังไม่เคยมี

ทำไมบริษัทถึงเคยเชื่อว่า AI จะลดต้นทุนได้มหาศาล?

สมการที่ดูง่ายบนกระดาษ

แนวคิดดั้งเดิมคือ:

พนักงาน 1 คน

↓

เงินเดือน

↓

สวัสดิการ

↓

ค่า Office

↓

ค่าอุปกรณ์

↓

ต้นทุนการบริหาร

ถ้า AI สามารถทำงานแทน:

พนักงาน 1 คน

บริษัทก็สามารถ:

ลด Headcount

และเพิ่ม:

Margin

แต่ปัญหาคือ:

AI ไม่ได้มีต้นทุนเป็นศูนย์

มันต้องใช้:

ดังนั้น:

“ลดค่าแรง”

ไม่ได้แปลว่า:

“ลดต้นทุนรวม”

เสมอไป

ปัญหาใหญ่คือองค์กรวัด AI ผิดตัวเลข

จาก Productivity สู่ Vanity Metrics

ตามข้อมูล:

มากกว่า:

60%

ของบริษัทกำลัง:

ลดงบประมาณ AI

สาเหตุสำคัญคือองค์กรจำนวนมากไม่ได้วัด:

“AI สร้างกำไรเพิ่มขึ้นเท่าไร?”

แต่กลับวัด:

“พนักงานใช้ AI กี่ครั้ง?”

นี่ทำให้เกิด:

AI Vanity Metric

เช่น:

พนักงาน A:

ใช้ AI 1,000 ครั้ง

พนักงาน B:

ใช้ AI 100 ครั้ง

ระบบอาจตีความว่า:

A

B

แต่ในโลกจริง:

พนักงาน B

อาจสร้างยอดขายมากกว่า

Token Maxing คืออะไร?

เมื่อ KPI กลายเป็นแรงจูงใจให้ใช้ AI แบบไร้ประโยชน์

Token Maxing คือพฤติกรรมที่เกิดขึ้นเมื่อ:

พนักงานถูกกดดันให้:

ใช้ AI ให้มากที่สุด

แทนที่จะ:

สร้างผลลัพธ์ให้มากที่สุด

จึงเกิดการ:

เปรียบง่าย ๆ:

AI เหมือน:

มิเตอร์แท็กซี่

ยิ่งวิ่ง:

ยิ่งคิดเงิน

ถ้าบริษัทบอกว่า:

“คนที่ใช้มิเตอร์มากที่สุดคือคนเก่งที่สุด”

พนักงานก็จะ:

นั่งแท็กซี่วนเมือง

เพื่อให้ตัวเลขสูงขึ้น

นี่คือปัญหาของ:

Incentive Design

Jevons Paradox – ทำไม AI ถูกลงแต่ค่าใช้จ่ายกลับเพิ่ม?

Efficiency ไม่ได้แปลว่า Consumption ลดลง

Jevons Paradox มีหลักการว่า:

เมื่อเทคโนโลยีทำให้ทรัพยากร:

ถูกลง

คนอาจไม่ได้:

ใช้น้อยลง

แต่กลับ:

ใช้มากขึ้น

ตัวอย่าง:

AI Response

เคยแพง:

$10

หลังพัฒนา:

$0.10

มนุษย์อาจไม่ได้:

ใช้ 1 ครั้ง

แต่เปลี่ยนเป็น:

100 ครั้ง

ดังนั้น:

ต้นทุนต่อครั้ง:

ลดลง

แต่:

Total Consumption

เพิ่มขึ้น

AI ทำให้ค่าใช้จ่าย IT เพิ่มขึ้นได้อย่างไร?

เมื่อทุกคนสามารถเรียก Compute ได้

ตามข้อมูล:

บางองค์กรมี:

IT Cost

เพิ่มขึ้นถึง:

30 เท่า

กรณี:

Uber

มีการระบุว่าใช้งบ IT ของทั้งปีหมดไปภายใน:

4 เดือน

นี่สะท้อนว่า:

การทำ AI ให้ถูกลง:

ไม่ได้รับประกันว่า:

ค่าใช้จ่ายรวมจะถูกลง

ปัญหาที่ AI ยังแทนไม่ได้ – Tacit Knowledge

ความรู้ที่ไม่ได้อยู่ใน Database

Tacit Knowledge คือความรู้ที่:

มนุษย์มี

แต่:

ไม่สามารถอธิบายออกมาเป็นกฎทั้งหมดได้

เช่น:

วิศวกรอาวุโสอาจรู้ว่า:

“เสียงเครื่องจักรแบบนี้ผิดปกติ”

แต่ไม่สามารถเขียน:

Rule

ครบทุกกรณีได้

เพราะสิ่งที่เขาใช้คือ:

Experience

สะสม:

หลายปี

กรณี Ford – เมื่อ Automation ไม่สามารถแทนประสบการณ์ได้

ลดคน แต่สูญเสียความรู้

ตามข้อมูล:

Ford ลดพนักงานสายประจำ:

กว่า

5,300 ตำแหน่ง

และนำ:

Automation

มาใช้ตรวจสอบ:

Quality Control

แต่ระบบไม่สามารถจับ:

ความผิดปกติบางประเภท

ผลคือ:

สุดท้าย Ford ต้อง:

ดึงวิศวกรอาวุโสกลับมา

กว่า:

350 คน

สิ่งที่น่าสนใจคือคุณภาพ Ford กลับมาดีขึ้น

คนไม่ได้กลับมาเพราะ AI ไม่มีประโยชน์

แต่กลับมาเพราะ:

Human + AI

อาจมีประสิทธิภาพกว่า:

AI Alone

ตามข้อมูล:

Ford ขยับจาก:

อันดับ

15

ขึ้นเป็น:

อันดับ 1

ใน:

JD Power

ประเด็นจึงไม่ใช่:

AI แพ้

หรือ:

มนุษย์ชนะ

แต่คือ:

การเอามนุษย์ออกจากระบบมากเกินไป อาจทำให้บริษัทสูญเสียความรู้ที่ระบบ AI ไม่สามารถทดแทนได้

ทำไมบริษัทจึงเริ่มจ้างมนุษย์กลับ?

เมื่อ Cost Cutting สร้าง Cost ใหม่

บริษัทอาจ:

ลดพนักงาน

เพื่อประหยัด:

$1 ล้าน

แต่ถ้าคุณภาพลดลง:

บริษัทอาจเสีย:

$5 ล้าน

ดังนั้น:

Labor Cost

ไม่ใช่:

Total Business Cost

วิกฤต Entry-Level Job อาจเป็นปัญหาใหญ่กว่าการตกงาน

ถ้าไม่มี Junior จะสร้าง Senior ได้อย่างไร?

นี่คือปัญหาเชิงโครงสร้างที่สำคัญมาก

เส้นทางปกติ:

Junior

↓

เรียนรู้

↓

ทำงานจริง

↓

มีประสบการณ์

↓

Senior

↓

Manager / Expert

แต่ถ้า AI เข้ามากิน:

Entry-Level Work

จะเกิด:

Junior

↓

❌

↓

Senior ในอนาคต

↓

❌

องค์กรอาจพบปัญหา:

Talent Pipeline

ในระยะยาว

ทำไมการจ้างกลับอาจไม่ได้เหมือนเดิม?

งานกลับมา แต่ตำแหน่งอาจเปลี่ยนไป

แม้บริษัทจะ:

เปิดรับคนกลับ

แต่ตำแหน่งเหล่านั้นอาจ:

ดังนั้น:

Human Workforce

ไม่ได้กลับไปเหมือนเดิม

แต่กำลัง:

Transform

Game Theory ทำให้ทุกบริษัทต้องกระโดดเข้า AI

แม้รู้ว่า ROI ยังไม่ชัดก็หยุดไม่ได้

นี่คือกับดัก:

บริษัท A

ใช้ AI

↓

ลดต้นทุน

บริษัท B:

ไม่ใช้

↓

ต้นทุนสูงกว่า

บริษัท B จึงต้อง:

ใช้ AI

บริษัท C:

เห็น A และ B

↓

ก็ต้องใช้ตาม

สุดท้าย:

ทุกบริษัท:

ต้องใช้ AI

แม้จะยัง:

ไม่รู้ ROI ที่แท้จริง

นี่คือ:

Competitive Pressure

ทำไม Apple ถึงถูกมองว่าใช้กลยุทธ์ต่างออกไป?

ไม่จำเป็นต้องเป็น First Mover เสมอไป

ตามข้อมูล:

Apple เลือก:

อดทน

แทนที่จะ:

กระโจนเข้า AI

ทันที

แนวคิดคือ:

รอให้:

Technology

↓

พิสูจน์ตัวเอง

↓

ต้นทุนลด

↓

Use Case ชัด

แล้วค่อย:

Scale

นี่คือกลยุทธ์:

Wait and Learn

AI จะเข้ามาแทนมนุษย์หรือไม่?

คำตอบอาจไม่ใช่ Yes หรือ No

คำถามที่ถูกต้องกว่า:

“AI จะเข้ามาแทนงานประเภทไหน?”

AI เหมาะกับงานที่:

มนุษย์ยังสำคัญกับงานที่:

ดังนั้นอนาคตอาจไม่ใช่:

Human

vs

AI

แต่:

Human + AI

AI ที่ดีที่สุดอาจไม่ใช่ AI ที่ลดคนได้มากที่สุด

แต่คือ AI ที่เพิ่ม Productivity ของคนเก่ง

สมมติ:

พนักงาน 100 คน

AI ช่วยให้:

100 คน

ทำงานได้เท่ากับ:

150 คน

บริษัทอาจไม่จำเป็นต้อง:

ไล่คนออก 50 คน

แต่สามารถ:

ทำงานได้มากขึ้น

เช่น:

นี่คือ:

Augmentation

แทน:

Replacement

บทเรียนธุรกิจจาก AI Hiring Reversal

1. อย่าวัด AI จากจำนวน Token

วัดจาก:

Business Outcome

เช่น:

2. อย่าตัดคนก่อนรู้ว่าความรู้ของคนอยู่ตรงไหน

ก่อนลด:

Headcount

ต้องถาม:

“คนกลุ่มนี้มี Tacit Knowledge อะไรที่ไม่ได้อยู่ในระบบ?”

3. Automation ต้องมี Human-in-the-Loop

AI:

ตรวจ

↓

มนุษย์:

ตัดสินใจ

โดยเฉพาะงาน:

High-Stakes

4. AI ไม่ควรถูกใช้เพื่อสร้าง “Activity”

แต่ต้องสร้าง:

Value

พนักงานที่:

ใช้ AI 1,000 ครั้ง

ไม่ได้แปลว่า:

สร้างมูลค่า 1,000 เท่า

FAQ

Q1: ทำไมบริษัทถึงลดงบ AI?

A: ตามข้อมูล บริษัทจำนวนมากเริ่มพบว่าการใช้งาน AI ไม่ได้สร้าง ROI ตามที่คาด โดยเฉพาะองค์กรที่วัดความสำเร็จจากปริมาณการใช้งานแทนผลลัพธ์ทางธุรกิจ

Q2: Token Maxing คืออะไร?

A: Token Maxing คือพฤติกรรมที่ผู้ใช้งานพยายามใช้ AI หรือสร้างการประมวลผลจำนวนมากเพื่อเพิ่มตัวเลขการใช้งานของตัวเอง โดยไม่ได้หมายความว่างานเหล่านั้นสร้างมูลค่าทางธุรกิจจริง

Q3: Jevons Paradox เกี่ยวข้องกับ AI อย่างไร?

A: เมื่อ AI มีต้นทุนต่อการใช้งานถูกลง ผู้ใช้งานอาจเพิ่มปริมาณการใช้ AI มากขึ้นจนค่าใช้จ่ายรวมเพิ่มขึ้นแทนที่จะลดลง

Q4: Tacit Knowledge คืออะไร?

A: Tacit Knowledge คือความรู้จากประสบการณ์และความเข้าใจบริบทที่ยากจะเขียนเป็นกฎหรือบันทึกลงฐานข้อมูลทั้งหมด เช่น สัญชาตญาณของวิศวกรหรือความสามารถในการสังเกตความผิดปกติจากประสบการณ์

Q5: ทำไม Ford ต้องจ้างวิศวกรกลับมา?

A: ตามข้อมูล Ford พบว่าการลดพนักงานและเพิ่มระบบ Automation ในงานควบคุมคุณภาพทำให้เกิดปัญหาที่ระบบไม่สามารถตรวจจับได้ จึงต้องนำวิศวกรอาวุโสกลับมาเพื่อเติมเต็มความรู้และประสบการณ์ที่หายไป

Q6: AI จะแทนมนุษย์ทั้งหมดหรือไม่?

A: จากกรอบวิเคราะห์ในข้อมูล AI มีแนวโน้มเหมาะกับงานที่ทำซ้ำ มี Pattern และมีข้อมูลชัดเจน ขณะที่งานที่ต้องใช้ Judgment บริบท ประสบการณ์ และความคิดสร้างสรรค์ยังต้องพึ่งมนุษย์

Q7: บริษัทควรวัดความสำเร็จของ AI จากอะไร?

A: ควรวัดจาก Business Outcome เช่น รายได้ที่เพิ่มขึ้น ต้นทุนที่ลดลง Margin คุณภาพสินค้า ความพึงพอใจของลูกค้า อัตราความผิดพลาด และระยะเวลาการพัฒนาสินค้า มากกว่าจำนวน Prompt หรือ Token ที่ใช้