เมื่อ AI ทำงานมากขึ้น เราควรวาง Human Checkpoint ไว้ตรงไหน?

‍

“AI ช่วยให้คุณภาพงานดีขึ้นกว่า 40%”

ตัวเลขนี้ถูกพูดถึงมากจากงานวิจัยชิ้นหนึ่งของ Harvard Business School และ Boston Consulting Group แต่ในงานวิจัยเดียวกัน มีอีกตัวเลขหนึ่งที่น่าสนใจไม่แพ้กัน

เมื่อเปลี่ยนโจทย์ คนที่ใช้ AI กลับตอบถูกน้อยลง 19 เปอร์เซ็นต์

AI ตัวเดิม
คนกลุ่มเดิม
แต่ผลลัพธ์กลับไปคนละทาง

ไม่ใช่ว่า AI ไม่เก่ง แต่เราจะรู้ได้อย่างไรว่า ความเก่งของมันสิ้นสุดตรงไหน?

‍

เมื่อ AI ทำให้คนทำงานเร็วขึ้น และดีขึ้นพร้อมกัน

Fabrizio Dell’Acqua และทีมนักวิจัยร่วมกับ Boston Consulting Group ทดลองกับที่ปรึกษา BCG จำนวน 758 คน โดยแบ่งผู้เข้าร่วมเป็นกลุ่มที่ไม่ได้ใช้ AI กลุ่มที่ใช้ GPT-4 และกลุ่มที่ใช้ GPT-4 พร้อมคำแนะนำเรื่องการใช้งานนชุดงาน 18 งานที่อยู่ภายในขอบเขตความสามารถของ AI ผลคือ

คนที่ใช้ AI ทำงานสำเร็จมากขึ้น 12.2%

ใช้เวลาน้อยลง 25.1%

และคุณภาพของผลงานสูงขึ้นอย่างมีนัยสำคัญ โดยผลบางส่วนสูงขึ้นมากกว่า 40%

ถ้าสรุปตรงนี้คือ การเอา AI มาใช้ แล้วคนทำงานเร็วขึ้น ทำได้มากขึ้น และผลงานดีขึ้น

แต่ทีมวิจัยกลับยังมีอีกโจทย์หนึ่งรออยู่

‍

แล้วพอขยับโจทย์ออกไปอีกนิด ผลลัพธ์กลับด้าน

นักวิจัยออกแบบโจทย์ธุรกิจอีกหนึ่งงานให้อยู่นอกขอบเขตความสามารถของ GPT-4

คราวนี้ คนที่ใช้ AI กลับมีโอกาสได้คำตอบที่ถูกต้อง ลดลง 19 เปอร์เซ็นต์ เมื่อเทียบกับคนที่ไม่ได้ใช้ AI

และนี่คือรายละเอียดสำคัญ

เพราะทั้งสองโจทย์ไม่ได้มีป้ายติดอยู่ข้างหน้าว่า “งานนี้ AI เก่ง” หรือ “งานนี้ AI ไม่เก่ง”

ทั้งที่สำหรับคนทำงาน มันยังเป็นงานความรู้ที่ดูเหมือนจะสามารถโยนให้ AI ช่วยคิด วิเคราะห์ และเรียบเรียงได้เหมือนกัน

นักวิจัยเรียกขอบเขตนี้ว่า Jagged Technological Frontier

หรือพรมแดนความสามารถของเทคโนโลยีที่ “ขรุขระ”

กล่าวคือ ไม่ได้เป็นเส้นตรงที่เราขีดได้ง่ายๆ ว่า งานยากระดับนี้ AI ทำได้ งานยากกว่านี้ AI ทำไม่ได้ ภายใน workflow เดียวกัน งานหนึ่งอาจอยู่ในพื้นที่ที่ AI เก่งมาก ขณะที่งานที่ดูคล้ายกันอีกชิ้นอาจอยู่อีกฝั่งของพรมแดน

และงานวิจัยชิ้นนี้เองก็ระบุข้อจำกัดไว้ชัดเจนว่า การทดลองนอก frontier มีเพียงหนึ่งโจทย์

ดังนั้น สิ่งที่งานวิจัยนี้ไม่ได้บอกคือ “AI ห้ามใช้กับงานวิเคราะห์” แต่กำลังเตือนว่า

อย่าคิดว่าเพราะ AI ทำงานหนึ่งได้ดี มันจะทำงานถัดไปได้ดีด้วย

‍

จาก “งานอะไรให้ AI ทำได้?” เป็น “ตรงไหนต้องมีคนกลับเข้ามา?”

นี่อาจเป็นจุดที่ HR ต้อง Rethink วิธีนำ AI เข้ามาในองค์กร ที่ผ่านมา เรามักเริ่มจากการหา Use Case

งานไหนให้ AI เขียน
งานไหนให้ AI สรุป
งานไหนให้ AI วิเคราะห์
งานไหน automate ได้

แต่ถ้าพรมแดนความสามารถของ AI ขรุขระ การแบ่งงานเป็นเพียง “ใช้ AI” กับ “ไม่ใช้ AI” อาจหยาบเกินไป

เราอาจต้องรื้องานออกเป็นขั้นตอนเล็กๆ แล้วมองใหม่ว่า

ตรงไหน AI ทำได้ดี
ตรงไหน AI ช่วยได้แต่ต้องตรวจ
และตรงไหนมนุษย์ต้องเป็นเจ้าของการตัดสินใจ

แทนที่จะเพิ่ม AI เข้าไปใน workflow เดิม นี่อาจเป็นโอกาส Reimagine วิธีทำงานระหว่างคนกับ AI ใหม่ทั้งหมด และสำหรับงาน HR มีอย่างน้อย 5 จุดที่น่าลองวาง Human Checkpoint ไว้ก่อนปล่อยงานผ่านออกไป

‍

1. เมื่อคำตอบต้องประกอบจากข้อมูลหลายแหล่ง

Dashboard บอกว่าระดับ Engagement ดีขึ้น แต่ Exit Interview กลับเต็มไปด้วยเรื่องความเหนื่อยล้า

อัตราการลาออกลดลง แต่ทีมหนึ่งกลับสูญเสียคนสำคัญอย่างต่อเนื่อง

AI ช่วยรวบรวมข้อมูล หา pattern และตั้งสมมติฐานได้ดี แต่เมื่อคำตอบขึ้นอยู่กับการชั่งน้ำหนักหลักฐานหลายด้าน อย่าตรวจแค่คำตอบของ AI ให้กลับไปตรวจข้อมูลต้นทางด้วย

‍

2. เมื่อต้องใช้กฎหมาย ระเบียบ หรือนโยบายฉบับปัจจุบัน

AI ช่วยอธิบายภาษากฎหมายหรือช่วยหาเรื่องที่ต้องตรวจต่อได้ แต่ถ้าคำตอบนั้นจะถูกนำไปใช้คำนวณสิทธิ อ้างมาตรา หรือดำเนินการกับพนักงาน แหล่งสุดท้ายควรเป็นตัวบทหรือแหล่งข้อมูลทางการ ไม่ใช่คำตอบจาก AI

‍

3. เมื่อผลลัพธ์มีผลต่ออนาคตของคน

คัดกรองผู้สมัคร
ประเมินผลงาน
เลื่อนตำแหน่ง
จัดกลุ่ม Talent
หรือประกอบการตัดสินใจเลิกจ้าง

AI อาจช่วยรวบรวมและประมวลข้อมูลได้ แต่ยิ่งผลลัพธ์กระทบชีวิตของคนมากเท่าไร ยิ่งต้องชัดว่า ใครคือมนุษย์ที่รับผิดชอบต่อคำตัดสินนั้นจริงๆ

‍

4. เมื่องานต้องอาศัยบริบทที่ไม่เคยถูกบันทึกไว้

ประวัติความขัดแย้งของสองทีม
คำที่ผู้บริหารเคยรับปาก
เรื่องละเอียดอ่อนที่ทุกคนในทีมรู้ แต่ไม่เคยอยู่ในเอกสาร

AI ไม่ได้รู้สิ่งที่เราไม่ได้ให้มันรู้ ดังนั้นงานบางชิ้นไม่ได้ต้องการแค่คน “ตรวจภาษา” หลัง AI ทำเสร็จ แต่ต้องการคนที่ รู้บริบทจริง มาตรวจความหมายของคำตอบ

‍

5. เมื่อผิดแล้วแก้กลับยาก

ประกาศถึงพนักงานทั้งองค์กร
หนังสือเลิกจ้าง
ข้อเสนอค่าตอบแทน
การคำนวณสิทธิหรือค่าชดเชย
ข้อมูลส่วนบุคคลที่กำลังจะถูกส่งออกไป

ก่อนกด Send อาจมีคำถามง่ายๆ เพียงข้อเดียว "ถ้าคำตอบนี้ผิด เราเรียกมันกลับมาได้ไหม?"

ถ้าไม่ได้ นั่นอาจเป็นจุดที่ Human Checkpoint ไม่ควรถูกตัดออกเพียงเพราะ AI ทำงานได้เร็วขึ้น

‍

คนที่ได้ประโยชน์จาก AI มาก อาจยิ่งต้องเรียนรู้วิธีตรวจ AI

งานวิจัยยังพบอีกเรื่องที่น่าสนใจ ในงานที่อยู่ภายใน frontier คนที่มี performance ตั้งต้นต่ำกว่าค่าเฉลี่ยมีผลงานดีขึ้นประมาณ 43% เมื่อใช้ AI

ขณะที่กลุ่มที่มี performance สูงกว่าค่าเฉลี่ยดีขึ้นประมาณ 17% แสดงว่า AI อาจช่วยลดช่องว่างด้านความสามารถ และช่วยให้คนทำงานบางกลุ่มไปถึงระดับผลงานที่ก่อนหน้านี้ต้องใช้เวลาอีกมากในการพัฒนา

แต่ในเวลาเดียวกัน มันทำให้โจทย์ Learning & Development เปลี่ยนไปด้วย

ถ้า AI ช่วยให้คนสร้างงานที่ดูดีขึ้นได้เร็วกว่าความสามารถของเขาในการตรวจงานนั้น องค์กรอาจต้องสอนมากกว่า “ใช้ AI อย่างไร” แต่ต้องสอนด้วยว่า

เมื่อไรควรเชื่อ
เมื่อไรควรสงสัย
และจะตรวจคำตอบของมันกลับไปยังหลักฐานอย่างไร

นี่คือจุดที่ REDESIGN สำคัญ

ไม่ใช่แค่เขียน Policy ว่า “ทุกงานต้องมี Human in the Loop” เพราะถ้าทุกอย่างต้องผ่านคนเหมือนเดิม เราก็เพียงเอา AI มาเพิ่มอีกหนึ่งขั้นตอน

แต่คือการออกแบบว่า Human ต้องอยู่ตรงไหนของ Loop

ตรงไหนปล่อยให้ AI วิ่งได้เต็มที่
ตรงไหนต้องมีคนตรวจ
และตรงไหน AI เป็นเพียงข้อมูลประกอบ แต่คนต้องเป็นผู้ตัดสินใจ

เพราะอนาคตของงานอาจไม่ได้วัดกันว่า องค์กรไหนใช้ AI มากที่สุด แต่อยู่ที่ว่า องค์กรไหนออกแบบได้ดีที่สุดว่า เมื่อไรควรใช้มัน และเมื่อไรไม่ควรเชื่อมันง่ายเกินไป

ลองเปิด workflow ของทีมขึ้นมาสักหนึ่งงาน

มีขั้นตอนไหนบ้างที่ AI ไปต่อได้เลย
และมีขั้นตอนไหนที่ห้ามส่งออก โดยไม่มีคนอ่านซ้ำ?

‍

Source:

Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838

Harvard Business School https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf

‍