เราจะสร้างคนอย่างไร ในโลกของ AI

คำถามเหล่านี้สำคัญ และในช่วงไม่กี่ปีที่ผ่านมาเราก็เริ่มมีหลักฐานมากขึ้นเรื่อย ๆ ว่า AI สามารถช่วยให้คนทำงานเร็วขึ้นและสร้างผลงานที่ดีขึ้นได้จริง โดยเฉพาะในงานที่ใช้ความรู้ (Noy and Zhang, 2023; Brynjolfsson, Li, and Raymond, 2025)

แต่อีกคำถามหนึ่งที่ผมคิดว่าสำคัญกว่า คือ เมื่อ AI ทำให้งานของเราดีขึ้น ตัวเราเองกำลังเก่งขึ้นด้วยหรือไม่

นักวิเคราะห์รุ่นใหม่อาจสร้างแบบจำลองได้ดีขึ้นเพราะมี AI ช่วยเขียนโค้ด ทนายรุ่นใหม่อาจร่างเอกสารได้ใกล้เคียงคนที่มีประสบการณ์เป็นสิบปีมากขึ้น หรือนิสิตอาจส่ง essay ที่ภาษาเรียบร้อยและมีโครงสร้างดีขึ้น

ทั้งหมดคือคุณภาพของ “ผลงาน”

แต่ความเชี่ยวชาญคือสิ่งที่ยังเหลืออยู่ในตัวเรา เมื่อวันหนึ่งเราต้องตัดสินใจว่าคำตอบของ AI ผิดตรงไหน ต้องเลือกทางไหนในสถานการณ์ที่ไม่มีคำตอบสำเร็จรูป หรือแม้กระทั่งในช่วงเวลาที่ไม่มี AI คอยบอกว่าควรทำอย่างไร

ความแตกต่างระหว่างสองเรื่องนี้เป็นหนึ่งในโจทย์สำคัญที่สุดของการสร้างคนในยุค AI

หาก AI ทำให้งานของคนรุ่นใหม่ดูเหมือนงานของผู้เชี่ยวชาญได้ตั้งแต่วันแรก แต่ในเวลาเดียวกันกลับตัดขั้นตอนบางอย่างที่เคยทำให้คนรุ่นใหม่ค่อย ๆ กลายเป็นผู้เชี่ยวชาญออกไป เราอาจกำลังเพิ่มผลิตภาพในวันนี้ พร้อม ๆ กับการลดความสามารถในการสร้างผู้เชี่ยวชาญสำหรับวันข้างหน้าโดยไม่รู้ตัว

งานวิจัยใหม่ของทีม David Autor แห่ง MIT ช่วยให้เราเริ่มเห็นปัญหานี้ชัดขึ้น (Autor et al., 2026)

ลองเอา AI เข้าไปทำงานกับทนายจริง ๆ

ความน่าสนใจของงานชิ้นนี้อยู่ที่ไม่ได้ทดลองกับนักศึกษาหรือถามคนทำงานว่า AI ช่วยแค่ไหน แต่เป็นการเอา AI เข้าไปอยู่ในกระบวนการทำงานจริง

ทีมวิจัยร่วมมือกับสำนักงานกฎหมายทรัพย์สินทางปัญญา 11 แห่งในสหรัฐฯ มีทนายสิทธิบัตรเข้าร่วม 133 คน แล้วสุ่มให้ประมาณ 2 ใน 3 ได้รับสิทธิใช้ AI ช่วยร่างคำขอสิทธิบัตรเป็นเวลา 3 เดือน ส่วนอีก 1 ใน 3 ทำงานด้วยเครื่องมือปกติ

การสุ่มเป็นส่วนสำคัญ เพราะทำให้เราไม่ต้องกังวลว่าคนที่เลือกใช้ AI ตั้งแต่แรกอาจเป็นคนที่เก่งกว่า ขยันกว่า หรือเปิดรับเทคโนโลยีมากกว่าคนอื่นอยู่แล้ว

หลังเริ่มโครงการประมาณ 10 วัน ทุกคนได้รับโจทย์ให้ร่างส่วนหนึ่งของคำขอสิทธิบัตร และทำอีกครั้งเมื่อผ่านไปประมาณ 3 เดือน

งานทุกชิ้นถูกส่งให้ทนายสิทธิบัตรจากสำนักงานกฎหมายอีกแห่งตรวจ โดยผู้ประเมินไม่รู้ว่าผู้เขียนได้ใช้ AI หรือไม่ และให้คะแนนทั้งความถูกต้อง ความชัดเจน ความครบถ้วน ความแข็งแรงในทางกฎหมาย และความสามารถในการกำหนดขอบเขตของสิทธิบัตรอย่างเหมาะสม

ผลในช่วงนี้เป็นไปตามคาด นั่นคือ AI ทำให้งานดีขึ้นจริง

หลัง 10 วัน กลุ่มที่มี AI ทำผลงานได้ดีกว่ากลุ่มที่ไม่มี AI อย่างมีนัยสำคัญ และเมื่อผ่านไป 3 เดือน ความแตกต่างนี้ยิ่งเพิ่มขึ้นอีก

ผลไม่ได้กระจุกอยู่เฉพาะเรื่องภาษา แต่ปรากฏในทุกมิติที่ผู้เชี่ยวชาญประเมิน ตั้งแต่ความถูกต้องไปจนถึงความแข็งแรงของข้อเรียกร้องทางกฎหมาย

และคนที่ได้ประโยชน์มากที่สุดคือทนายรุ่นใหม่ ขณะที่ทนายรุ่นอาวุโสได้ประโยชน์น้อยกว่าอย่างชัดเจน

เรื่องเวลาก็คล้ายกัน โดยเฉลี่ย AI ช่วยประหยัดเวลาทำงานประมาณ 10 นาทีจากงานที่ใช้เวลาราว 2 ชั่วโมง แต่เวลาที่ประหยัดได้เกือบทั้งหมดมาจากทนายรุ่นใหม่ ส่วนทนายรุ่นอาวุโสแทบไม่ทำงานเร็วขึ้น

ผลคือ เมื่อมี AI อยู่ข้างตัว ทนายรุ่นใหม่สามารถร่างเอกสารได้เร็วใกล้เคียงคนที่มีประสบการณ์สูง และคุณภาพของงานก็ขยับเข้าใกล้กันมากขึ้น

หากเราสนใจเพียงผลิตภาพ เรื่องนี้แทบจะเป็นข่าวดีทั้งหมด

AI กำลังช่วยลดข้อเสียเปรียบจากการมีประสบการณ์น้อย และทำให้คนที่ยังอยู่ในช่วงเริ่มต้นของอาชีพสามารถสร้างผลงานที่ดีได้เร็วขึ้น

แต่คำถามสำคัญคือ ถ้าไม่ให้ใช้ AI จะเหลืออะไรอยู่ในตัวคน หลังผ่านไป 3 เดือน นักวิจัยให้ทุกคนทำงานอีกประเภทหนึ่ง โดยคราวนี้ ห้ามใช้ AI

แทนที่จะให้เขียนคำขอสิทธิบัตรใหม่ นักวิจัยให้ผู้เข้าร่วมตรวจและแก้ร่างสิทธิบัตรที่มีข้อบกพร่อง หรือที่เรียกว่า redlining

ความแตกต่างของงานนี้สำคัญมาก การร่างเอกสารใหม่เป็นงานที่ AI ช่วยสร้างข้อความได้มาก แต่การตรวจงานที่มีอยู่แล้วต้องใช้ดุลยพินิจในการมองภาพรวมว่า ข้อความตรงไหนสร้างความเสี่ยงทางกฎหมาย ปัญหาไหนสำคัญกว่าอีกปัญหาหนึ่ง ควรแก้แค่ถ้อยคำหรือรื้อโครงสร้างใหม่ และแต่ละการแก้ไขมีเหตุผลทางกฎหมายอย่างไร

พูดอีกแบบคือ งานแรกกำลังวัดว่า คนใช้ AI ทำงานได้ดีเพียงใด ขณะที่งานที่สองพยายามวัดว่า หลังจากทำงานร่วมกับ AI มาสามเดือนแล้ว มีความสามารถอะไรสะสมอยู่ในตัวคนเพิ่มขึ้นบ้าง

ตรงนี้เองที่ภาพเริ่มกลับด้าน เมื่อให้ทุกคนทำงานด้วยตัวเองโดยไม่ใช้ AI กลุ่มที่เคยใช้ AI มาก่อนยังทำงานตรวจแก้ร่างสิทธิบัตรได้ดีกว่าโดยรวม ซึ่งฟังดูเหมือนว่า การทำงานร่วมกับ AI ตลอดสามเดือนช่วยให้คนเรียนรู้และเก่งขึ้นจริง

แต่เมื่อแยกดูตามประสบการณ์ ภาพกลับต่างออกไปอย่างมาก ผลที่ดีขึ้นแทบทั้งหมดมาจากทนายรุ่นอาวุโส ทนายกลุ่มนี้ที่เคยใช้ AI สามารถตรวจและแก้ร่างสิทธิบัตรได้ดีกว่าทนายรุ่นอาวุโสที่ไม่เคยใช้ AI อย่างชัดเจน แม้ในตอนทดสอบจะไม่มี AI ช่วยแล้วก็ตาม

ส่วนทนายรุ่นใหม่กลับไม่พบผลแบบเดียวกัน ทั้งที่ตอนมี AI พวกเขาคือกลุ่มที่ผลงานดีขึ้นมากที่สุด แต่เมื่อเอา AI ออก ความสามารถของพวกเขากลับไม่ได้ดีขึ้นตามไปด้วยอย่างชัดเจน

นี่คือข้อค้นพบที่น่าสนใจที่สุดของงานชิ้นนี้ AI อาจทำให้งานของเราดีขึ้น แต่ไม่ได้ทำให้เราเก่งขึ้นในระดับเดียวกัน

คนมีประสบการณ์ใช้ AI ต่างจากเด็กรุ่นใหม่

เมื่อทีมวิจัยกลับไปดูวิธีทำงานในโจทย์ redlining พบรูปแบบบางอย่างที่แตกต่างกัน

ทนายรุ่นอาวุโสมักเริ่มจากภาพใหญ่ พวกเขามองว่าร่างสิทธิบัตรมีช่องโหว่ทางกฎหมายหรือทางธุรกิจตรงไหน ส่วนใดจำกัดขอบเขตการคุ้มครองมากเกินไป แล้วจึงรื้อหรือเขียนใหม่เป็นช่วงใหญ่ ๆ พร้อมอธิบายว่าการแก้ไขแต่ละจุดสัมพันธ์กับหลักกฎหมายอย่างไร

คนรุ่นใหม่มีแนวโน้มทำงานตามลำดับเอกสารมากกว่า เริ่มจากการแก้ถ้อยคำ รูปแบบ หรือรายละเอียดในส่วนต้น ๆ และบางครั้งใช้เวลากับสิ่งเหล่านี้มากจนไปไม่ถึงส่วนที่สำคัญที่สุด

ที่น่าสนใจคือ บางคนมองเห็นปัญหาใหญ่ได้ แต่เพียงเขียนกำกับว่า “ตรงนี้มีปัญหา” โดยไม่ได้ลงมือแก้จริง คล้ายกับการเขียน prompt บอกใครสักคนว่าต้องทำอะไรต่อ เพียงแต่ในโจทย์นี้ไม่มี AI อยู่ให้ทำต่อให้

ความแตกต่างนี้อาจมาจากสิ่งที่เรียกว่า foundational expertise หรือฐานความเชี่ยวชาญพื้นฐาน

ผู้เชี่ยวชาญไม่ได้ใช้ AI เก่งเพราะพวกเขารู้วิธี prompt เท่านั้น แต่เพราะพวกเขามีแบบจำลองของคำตอบที่ดีอยู่ในหัวก่อนแล้ว

เมื่อ AI เสนอร่างมา เขาจึงสามารถถามต่อได้ว่า จับประเด็นสำคัญหรือยัง มีอะไรผิด มีอะไรขาด คำตอบนี้ฟังดูดีแต่ขัดกับหลักกฎหมายตรงไหน หรือมีทางเลือกที่ดีกว่าหรือไม่

การตรวจสอบเหล่านี้ทำให้การใช้ AI กลายเป็นกระบวนการเรียนรู้ไปด้วย AI จึงทำหน้าที่เหมือนคู่คิดสำหรับคนที่มีพื้นฐานมากพอจะโต้ตอบกับมัน

แต่สำหรับคนที่ยังอยู่ในช่วงสร้างฐาน การได้คำตอบที่ดีเร็วเกินไปอาจทำให้ข้ามอุปสรรคบางอย่างที่เคยจำเป็นต่อการเรียนรู้ไป

เรื่องนี้คล้ายกับเครื่องคิดเลข หากเรารู้คณิตศาสตร์ เครื่องคิดเลขช่วยให้เราคำนวณได้เร็วและผิดน้อยลง และเรายังพอตรวจได้ว่าคำตอบสมเหตุสมผลหรือไม่

แต่หากเราไม่เคยเข้าใจหลักการ เครื่องคิดเลขสามารถทำให้ได้คำตอบที่ถูก โดยไม่ได้ทำให้เราเข้าใจคณิตศาสตร์มากขึ้นเลย

AI เพียงแต่กำลังนำปัญหาแบบเดียวกันไปสู่ทักษะที่ซับซ้อนกว่า เช่น การเขียน การวิเคราะห์ และการใช้ดุลยพินิจ

AI อาจสร้างภาพลวงตาให้เราคิดว่าตัวเองเก่งแล้ว

มีอีกผลหนึ่งของงานวิจัยที่ผมคิดว่าสำคัญมาก ทนายรุ่นใหม่ที่ได้รับ AI รู้สึกดีกับการทำงานของตัวเองขึ้นอย่างชัดเจน

หลัง 3 เดือน ความพึงพอใจต่อประสบการณ์การร่างงานสูงกว่ากลุ่มควบคุมอย่างมาก และพวกเขายังรู้สึกว่าตัวเองทำงานได้เร็วขึ้นมากด้วย

ความรู้สึกเหล่านี้แน่นอนว่าสมเหตุสมผล ในช่วงที่มี AI ผลงานของพวกเขาดีขึ้นจริง และทำงานเร็วขึ้นจริง

แต่เมื่อวัดความสามารถโดยไม่มี AI ผู้วิจัยกลับไม่พบการพัฒนาตัวเองของคนกลุ่มนี้

นี่เป็นปัญหาที่สำคัญมากในชีวิตจริง เพราะองค์กรไม่ได้มีการทดลองที่ปิด AI ทุกสามเดือนเพื่อดูว่าพนักงานได้เรียนรู้อะไรไปแล้วบ้าง

ถ้าพนักงานรุ่นใหม่ส่งงานดีขึ้น หัวหน้าต้องแก้น้อยลง และเจ้าตัวเองก็รู้สึกว่าทำงานคล่องขึ้น ทุกฝ่ายมีเหตุผลที่จะเชื่อว่าการพัฒนาคนกำลังเกิดขึ้นตามปกติ

ทั้งที่จริง ๆ แล้วบางส่วนของความสามารถอาจอยู่ในเครื่องมือ ไม่ได้อยู่ในตัวคน

เรื่องนี้ไม่ได้เกิดเฉพาะในสำนักงานกฎหมาย

ภาพคล้ายกันเริ่มปรากฏในงานวิจัยด้านการศึกษา ตัวอย่างหนึ่งคืองานทดลองกับนักเรียนมัธยมเกือบหนึ่งพันคนในวิชาคณิตศาสตร์ (Bastani et al., 2025) ซึ่งพบว่า การเปิดให้ใช้ GPT-4 อย่างอิสระช่วยให้นักเรียนทำแบบฝึกหัดได้ดีขึ้น แต่เมื่อไปทำข้อสอบโดยไม่มี AI กลับทำได้แย่ลง

ที่น่าสนใจคือ ผลเสียนี้หายไปเมื่อ AI ตัวเดียวกันถูกออกแบบให้ทำหน้าที่เป็นติวเตอร์ คอยให้คำใบ้และพาผู้เรียนคิดทีละขั้น แทนที่จะบอกคำตอบโดยตรง

บทเรียนนี้ชี้ว่า คำถามไม่ใช่เพียงว่าเราควรใช้ AI หรือไม่ แต่คือเราควรออกแบบให้คนใช้ AI อย่างไร

AI ที่ตอบแทนเรา กับ AI ที่ช่วยให้เราคิด อาจเป็นเทคโนโลยีเดียวกันแต่สร้างทุนมนุษย์คนละแบบ

เมื่อ AI เอางานระดับเริ่มต้นไป แล้วเราจะสร้างผู้เชี่ยวชาญอย่างไร

เรื่องนี้นำไปสู่คำถามที่ใหญ่กว่าห้องเรียน วิชาชีพจำนวนมากสร้างผู้เชี่ยวชาญผ่านสิ่งที่เรียกว่า learning by doing

นักกฎหมายรุ่นใหม่อ่านและร่างเอกสาร นักวิเคราะห์รุ่นใหม่จัดข้อมูลและสร้างโมเดล วิศวกรรุ่นใหม่ตรวจรายละเอียด และนักวิจัยรุ่นใหม่ทำงานที่บางครั้งดูซ้ำซากและน่าเบื่อ

งานเหล่านี้เป็นบันไดขั้นแรก ระหว่างการทำงาน คนรุ่นใหม่ได้เห็นความผิดพลาด ได้รับ feedback จากรุ่นพี่ และค่อย ๆ สร้างแบบจำลองในหัวว่า งานที่ดีหน้าตาเป็นอย่างไร ปัญหาแบบใดสำคัญ และเมื่อข้อมูลไม่ครบควรใช้ดุลยพินิจอย่างไร เมื่อ AI เก่งมากขึ้นเรื่อย ๆ กับงานแบบนี้ การเอา AI มาใช้จึงสมเหตุสมผลอย่างยิ่งจากมุมขององค์กร เพราะได้งานเร็วขึ้น ถูกลง และสม่ำเสมอขึ้น

แต่ถ้าเราเอาบันไดขั้นล่างออก คนรุ่นต่อไปจะขึ้นไปเป็นผู้เชี่ยวชาญได้อย่างไร

ทนายอาวุโสที่งานของ Autor พบว่าสามารถใช้ AI แล้วเรียนรู้เพิ่มได้ในวันนี้ คือคนที่เมื่อสิบหรือยี่สิบปีก่อนเคยผ่านการฝึกแบบที่ AI กำลังเข้ามาทำแทน

เราไม่ควรสรุปจากเรื่องนี้ว่าองค์กรต้องรักษางานเก่าไว้ทั้งหมดเพื่อให้คนรุ่นใหม่ได้ฝึก

เทคโนโลยีทุกยุคทำให้งานบางอย่างหายไป และสร้างวิธีเรียนรู้ใหม่ขึ้นมาแทน

แต่เราไม่ควรสมมติด้วยว่า เมื่อผลิตภาพเพิ่มขึ้น การสร้างความเชี่ยวชาญจะเกิดขึ้นเองตามธรรมชาติ

โจทย์ของไทยไม่ใช่แค่ “ใช้ AI เป็น”

นัยสำคัญของเรื่องนี้ต่อไทยค่อนข้างชัด

วันนี้เราพูดกันมากถึง AI literacy การเปิดให้เด็กเข้าถึงเครื่องมือ การอบรมครู และการเพิ่มจำนวนคนที่ใช้ AI ในที่ทำงาน ทั้งหมดเป็นเรื่องจำเป็น แต่เป็นเพียงครึ่งแรกของโจทย์ เพราะการ “ใช้ AI เป็น” กับการ “ใช้ AI แล้วเก่งขึ้น” ไม่ใช่สิ่งเดียวกัน

ในระบบการศึกษา เราจึงยังต้องมีพื้นที่ให้ผู้เรียนคิดเอง อธิบายเหตุผล และปกป้องคำตอบของตัวเอง เพื่อให้เห็นว่าอะไรเป็นผลงานของเครื่องมือ และอะไรกลายเป็นความสามารถของผู้เรียนไปแล้วจริง ๆ

ในที่ทำงาน โจทย์ยากกว่า หาก AI สามารถทำงานระดับ junior ได้ดีขึ้นเรื่อย ๆ องค์กรอาจมีแรงจูงใจลดงานฝึกคนในระยะสั้น การพัฒนาคนจึงต้องถูกออกแบบอย่างตั้งใจมากขึ้น เช่น ให้คนรุ่นใหม่ตรวจงานของ AI อธิบายว่าคำตอบผิดตรงไหน หรือรับผิดชอบการตัดสินใจที่ต้องใช้เหตุผลด้วยตัวเอง

เป้าหมายไม่ใช่การสร้างโลกที่ไม่มี AI แต่คือการทำให้ AI เป็น เครื่องมือฝึกดุลยพินิจ ไม่ใช่เครื่องมือที่ทำให้เราไม่ต้องสร้างดุลยพินิจ

เรื่องนี้สำคัญในระดับองค์กรด้วย เพราะการฝึกคนเป็นการลงทุนระยะยาว ต้นทุนเกิดวันนี้ แต่ผลตอบแทนอาจเกิดอีกห้าหรือสิบปีข้างหน้า หากทุกบริษัทเลือกเพิ่มผลิตภาพวันนี้ด้วยการลดการฝึกคนพร้อมกัน เราอาจพบในอนาคตว่าไม่มีผู้เชี่ยวชาญรุ่นใหม่เพียงพอ

นี่คือเหตุผลที่คำถามเรื่อง AI ไม่ควรหยุดอยู่ที่ว่า มันช่วยเพิ่มผลิตภาพได้แค่ไหน

ในระยะยาว สังคมยังต้องการคนที่รู้ว่าเมื่อไรไม่ควรเชื่อคำตอบ สามารถตัดสินใจเมื่อโจทย์คลุมเครือ และรับผิดชอบต่อคำตัดสินของตัวเองได้

ยิ่ง AI ทำงานพื้นฐานได้ดีขึ้นเท่าไร เราก็ยิ่งต้องคิดให้มากขึ้นว่า จะสร้างฐานความรู้และดุลยพินิจของคนอย่างไร

โจทย์ของนโยบายจึงไม่ใช่เพียงทำให้คนไทย “ใช้ AI เป็น” แต่คือ ทำอย่างไรให้คนไทยยังสะสมความเชี่ยวชาญได้ ในโลกที่ AI อยู่กับเราตลอดเวลา

คำถามสำคัญในอีกสิบปีข้างหน้าอาจไม่ใช่เพียงว่า AI เก่งขึ้นแค่ไหน แต่คือ หลังจากทำงานร่วมกับ AI มาสิบปี คนของเราเก่งขึ้นด้วยหรือไม่

อ้างอิง:

• Autor, D., Rodchenko, T., Martin, J., Iscenko, Z., Strand, S., Pearl, D., & Ferere, M. (2026). Does AI assistance enhance or erode expertise? Evidence from a three-month field experiment in patent drafting. NBER Working Paper No. 35720.
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122.
• Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 139(4), 1721–1784.
  Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.