AI เอเจนต์ หุ่นยนต์ และพวกเรา: ความเป็นหุ้นส่วนทางเทคโนโลยีในยุค AI

• งานในอนาคตจะถูกจัดโครงสร้างใหม่เป็น ความร่วมมือระหว่างมนุษย์ เอเจนต์ และหุ่นยนต์ โดยด้วยเทคโนโลยีปัจจุบันสามารถทำงานอัตโนมัติได้ราว 57% ของเวลาทำงาน แต่ตัวเลขนี้เป็นเพียงศักยภาพทางเทคนิค ไม่ใช่การคาดการณ์ว่าตำแหน่งงานจะลดลง
• มากกว่า 70% ของทักษะ ที่นายจ้างต้องการในปัจจุบัน ถูกใช้ทั้งในงานที่ทำอัตโนมัติได้และงานที่ทำอัตโนมัติไม่ได้ ทำให้ทักษะส่วนใหญ่ยังคงใช้ได้ เพียงแต่วิธีการนำไปใช้จะเปลี่ยนไป
• ความต้องการด้าน ความคล่องแคล่วในการใช้ AI (ความสามารถในการใช้และจัดการเครื่องมือ AI) เพิ่มขึ้น 7 เท่าในช่วง 2 ปี จนกลายเป็นทักษะที่เติบโตเร็วที่สุดในประกาศรับสมัครงาน
• ภายในปี 2030 อาจสร้างมูลค่าทางเศรษฐกิจได้ราว 2.9 ล้านล้านดอลลาร์ เฉพาะในสหรัฐฯ และเพื่อให้เกิดขึ้นจริง จำเป็นต้องออกแบบใหม่ทั้งเวิร์กโฟลว์ ไม่ใช่แค่งานรายอย่าง
• ตาม Skill Change Index ทักษะด้านดิจิทัลและการประมวลผลข้อมูลจะเปลี่ยนแปลงมากที่สุด ขณะที่ทักษะด้านการดูแลและการสนับสนุนคาดว่าจะเปลี่ยนแปลงน้อยที่สุด

---

ภาพรวมสำคัญ

• งานในอนาคตจะเปลี่ยนไปสู่ ความร่วมมือระหว่างมนุษย์ เอเจนต์ และหุ่นยนต์ที่ขับเคลื่อนด้วย AI
• ด้วยเทคโนโลยีปัจจุบัน เวลาทำงานราว 57% ในสหรัฐฯ สามารถทำให้เป็นอัตโนมัติได้ในทางทฤษฎี แต่เป็นเพียงศักยภาพทางเทคนิค และคาดว่าการนำไปใช้จริงจะยังต้องใช้เวลาอีกหลายทศวรรษ
• บางบทบาทอาจหดตัว บางบทบาทจะเติบโตหรือเปลี่ยนแปลง และจะมีบทบาทใหม่เกิดขึ้น
• มากกว่า 70% ของทักษะ ที่นายจ้างต้องการ ถูกใช้ทั้งในงานที่ทำอัตโนมัติได้และไม่ได้ ทำให้ทักษะส่วนใหญ่ยังคงมีคุณค่า แต่บริบทการใช้งานจะเปลี่ยนไป
• Skill Change Index วัดระดับการเผชิญกับระบบอัตโนมัติของแต่ละทักษะในอีก 5 ปีข้างหน้า โดยทักษะด้านดิจิทัลและการประมวลผลข้อมูลจะได้รับผลกระทบมากที่สุด ส่วนทักษะการดูแลจะเปลี่ยนแปลงน้อยที่สุด
• ความต้องการด้าน ความคล่องแคล่วในการใช้ AI เพิ่มขึ้นเกือบ 7 เท่า ในช่วง 2 ปี กลายเป็นทักษะที่เติบโตเร็วที่สุดในประกาศรับสมัครงานของสหรัฐฯ
• ภายในปี 2030 อาจสร้างมูลค่าทางเศรษฐกิจได้ราว 2.9 ล้านล้านดอลลาร์ ในสหรัฐฯ และเพื่อให้สิ่งนี้เกิดขึ้น องค์กรต้องเตรียมความพร้อมของแรงงานและ ออกแบบใหม่ทั้งเวิร์กโฟลว์ ไม่ใช่เฉพาะงานแต่ละอย่าง

AI กำลังกำหนดขอบเขตของงานใหม่

• การเพิ่มขึ้นของความเป็นอิสระและความสามารถของเอเจนต์กับหุ่นยนต์

  • ในอดีต เครื่องจักรถูกออกแบบมาให้ทำตามกฎ จึงทำงานได้เพียงตามที่กำหนดไว้ล่วงหน้า
  • การมาถึงของ AI ทำให้ เอเจนต์และหุ่นยนต์ ที่ทำงานด้านการรับรู้และงานทางกายภาพ เรียนรู้จากชุดข้อมูลขนาดใหญ่และมีความสามารถมากขึ้น
  • สามารถตอบสนองต่ออินพุตที่หลากหลายรวมถึงภาษาธรรมชาติ และ ปรับตัวตามบริบท ได้แทนการยึดตามกฎที่ตั้งไว้ล่วงหน้า
  • ด้วยเทคโนโลยีปัจจุบัน เวลาทำงานราว 57% ในสหรัฐฯ สามารถทำให้เป็นอัตโนมัติได้ในทางทฤษฎี แต่การนำไปใช้จริงขึ้นอยู่กับนโยบาย ต้นทุนแรงงาน ต้นทุนการติดตั้ง และระยะเวลาในการพัฒนา
  • การแพร่หลายของไฟฟ้าใช้เวลามากกว่า 30 ปี และหุ่นยนต์อุตสาหกรรมก็เดินตามเส้นทางแบบหลายทศวรรษเช่นกัน โดย ณ ปี 2023 มีบริษัทเพียงราว 1 ใน 5 ที่รันแอปพลิเคชันส่วนใหญ่บนคลาวด์

• AI ส่งผลต่อการทำงานทุกประเภท

  • งานที่ไม่ใช่งานทางกายภาพ คิดเป็นราว 2 ใน 3 ของเวลาทำงานในสหรัฐฯ
  • ราว 1 ใน 3 ของงานที่ไม่ใช่งานทางกายภาพ ยังต้องใช้ ทักษะทางสังคมและอารมณ์ ที่ AI ยังไปไม่ถึง
  • ส่วนที่เหลือเป็นงานที่เหมาะกับระบบอัตโนมัติ เช่น การใช้เหตุผลและการประมวลผลข้อมูล คิดเป็นราว 40% ของค่าจ้างทั้งหมดในสหรัฐฯ
  • งานทางกายภาพ คิดเป็นราว 35% ของเวลาทำงานในสหรัฐฯ แม้หุ่นยนต์จะพัฒนาไปมาก แต่โดยมากงานทางกายภาพยังต้องใช้ ทักษะการเคลื่อนไหวละเอียด ความคล่องมือ และการรับรู้สถานการณ์ ที่เทคโนโลยียังจำลองได้ไม่เสถียร
  • สำหรับแรงงานสหรัฐฯ ราว 40% งานทางกายภาพกินเวลามากกว่าครึ่งของเวลาทำงานทั้งหมด (เช่น คนขับรถ คนงานก่อสร้าง พ่อครัว ผู้ช่วยทางการแพทย์)
  • ความก้าวหน้าของหุ่นยนต์คาดว่าจะทำให้บางอาชีพเปลี่ยนแปลง รวมถึงบทบาทค่าแรงต่ำบางส่วน เช่น การผลิตและการเตรียมอาหาร
  • หุ่นยนต์จะยังคงทำงานที่อันตรายหรือเป็นไปไม่ได้สำหรับมนุษย์ต่อไป เช่น งานใต้น้ำ การค้นหาและกู้ภัย และการตรวจสอบในสภาพแวดล้อมที่เป็นอันตราย

• มนุษย์ยังขาดไม่ได้

  • ที่ระดับความสามารถในปัจจุบัน เอเจนต์สามารถทำงานได้ 44% ของเวลาทำงานในสหรัฐฯ และหุ่นยนต์ทำได้ 13%
  • หากต้องการขยายระบบอัตโนมัติให้มากขึ้น ยังจำเป็นต้องมีความสามารถที่ตอนนี้มีเฉพาะมนุษย์ เช่น การตีความเจตนาและอารมณ์ (สำหรับเอเจนต์) และการควบคุมการเคลื่อนไหวละเอียด (สำหรับหุ่นยนต์)
  • เมื่อเทคโนโลยีพัฒนา บางบทบาทอาจลดลง ขณะที่บทบาทอื่นจะขยายตัวหรือเปลี่ยนจุดเน้น และจะมีบทบาทใหม่เกิดขึ้น
  • กรณีของ รังสีวิทยา: ระหว่างปี 2017~2024 การจ้างงานผู้เชี่ยวชาญด้านรังสีวิทยาเติบโตราว 3% ต่อปี แม้ AI จะพัฒนาอย่างต่อเนื่อง โดย AI ช่วยเพิ่มความแม่นยำและประสิทธิภาพ ทำให้แพทย์โฟกัสกับการตัดสินใจที่ซับซ้อนและการดูแลผู้ป่วยมากขึ้น
    • Mayo Clinic ขยายบุคลากรฝ่ายรังสีวิทยามากกว่า 50% นับตั้งแต่ปี 2016 พร้อมกับนำโมเดล AI หลายร้อยตัวไปใช้งาน
  • AI กำลังสร้างงานและบทบาทรูปแบบใหม่ (เช่น วิศวกรซอฟต์แวร์ที่สร้างและปรับปรุงเอเจนต์ หรือดีไซเนอร์และครีเอเตอร์ที่ใช้เครื่องมือเชิงกำเนิดเพื่อสร้างคอนเทนต์รูปแบบใหม่)

งาน 7 ประเภท

• วิเคราะห์อาชีพราว 800 อาชีพ ตามศักยภาพในการทำงานอัตโนมัติของงานทางกายภาพและไม่ใช่งานทางกายภาพ แล้วจัดเป็น 7 ประเภท
• อาชีพที่มีศักยภาพการทำงานอัตโนมัติต่ำที่สุดถูกจัดเป็น people-centric ส่วนอาชีพที่มีสัดส่วนงานที่ทำอัตโนมัติได้สูงถูกจัดเป็น agent-centric หรือ robot-centric
• บทบาทที่ผสมผสาน 2~3 องค์ประกอบอย่างสมดุลถูกจัดเป็นประเภทผสมหรือไฮบริด

• บทบาทที่ยึดมนุษย์เป็นศูนย์กลาง

  • พบในงานอย่างเฮลท์แคร์ งานอาคาร และงานบำรุงรักษา คิดเป็นราว 1 ใน 3 ของงานทั้งหมดในสหรัฐฯ
  • เงินเดือนเฉลี่ยราว 71,000 ดอลลาร์
  • กิจกรรมทางกายภาพที่เทคโนโลยีปัจจุบันยังทำซ้ำไม่ได้ คิดเป็นราวครึ่งหนึ่งของเวลาทำงาน

• บทบาทที่ยึดเอเจนต์เป็นศูนย์กลางและยึดหุ่นยนต์เป็นศูนย์กลาง

  • เป็นบทบาทที่มีศักยภาพในการทำงานอัตโนมัติสูงที่สุด คิดเป็นราว 40% ของงานทั้งหมด
  • ส่วนใหญ่เป็นบทบาท agent-centric ในบริการด้านกฎหมายและงานธุรการ โดยมีเงินเดือนเฉลี่ยราว 70,000 ดอลลาร์ และรวมถึงงานเชิงความคิดขนาดใหญ่ เช่น การจัดทำเอกสาร ซึ่งระบบ AI สามารถจัดการได้ในทางเทคนิค
  • บทบาท robot-centric (เช่น คนขับรถและพนักงานควบคุมเครื่องจักร) มีความต้องการด้านกายภาพสูง และบางครั้งมีความเสี่ยง โดยมีเงินเดือนเฉลี่ยราว 42,000 ดอลลาร์
  • บทบาท agent-robot คิดเป็นราว 2% ของแรงงานทั้งหมด มีเงินเดือนเฉลี่ยราว 49,000 ดอลลาร์ งานทางกายภาพคิดเป็น 53% ของเวลาทำงาน และพบได้หลัก ๆ ในสภาพแวดล้อมการผลิต เช่น การผลิตอัตโนมัติและปฏิบัติการโลจิสติกส์ ที่ซอฟต์แวร์อัจฉริยะเป็นผู้สั่งการระบบทางกายภาพ

• บทบาทแบบไฮบริด

  • เป็นอาชีพที่หลากหลายซึ่งผสานมนุษย์ เอเจนต์ และหุ่นยนต์เข้าด้วยกัน และจ้างงานแรงงานราว 1 ใน 3
  • แม้ค่าจ้าง ความเข้มข้นทางกายภาพ และศักยภาพการทำงานอัตโนมัติจะแตกต่างกันมาก แต่มนุษย์ยังคงเป็นสิ่งจำเป็นในทุกสภาพแวดล้อม
  • บทบาท human-agent: เช่น ครู วิศวกร และผู้เชี่ยวชาญด้านการเงิน ที่สามารถยกระดับงานได้ด้วยเครื่องมือดิจิทัลและ AI มีเงินเดือนเฉลี่ย 74,000 ดอลลาร์ คิดเป็นราว 1 ใน 5 ของแรงงานสหรัฐฯ
  • บทบาท human-robot: พบในงานบำรุงรักษาและก่อสร้าง โดยเครื่องจักรช่วยเพิ่มแรงและความแม่นยำให้กับแรงงานมนุษย์ งานทางกายภาพคิดเป็นราว 81% ของเวลาทำงาน เงินเดือนเฉลี่ย 54,000 ดอลลาร์ และมีสัดส่วน น้อยกว่า 1% ของแรงงานสหรัฐฯ
  • บทบาท human-agent-robot: พบในงานขนส่ง เกษตรกรรม และบริการอาหาร โดยแรงงานทั้งสามรูปแบบผสานกันอย่างเกือบเท่าเทียม งานทางกายภาพคิดเป็นราว 43% ของเวลาทำงาน เงินเดือนเฉลี่ย 60,000 ดอลลาร์ และคิดเป็นราว 5% ของแรงงานสหรัฐฯ

การเปลี่ยนแปลงของข้อกำหนดด้านทักษะ

• จากการวิเคราะห์ประกาศรับสมัครงาน พบว่ามีการกล่าวถึง ทักษะราว 6,800 รายการ อย่างสม่ำเสมอในประกาศรับสมัครงานมากกว่า 11 ล้านรายการ
• เกือบทุกอาชีพมี ทักษะที่เปลี่ยนแปลงอย่างมาก อย่างน้อยหนึ่งรายการซึ่งอยู่ในควอไทล์บนสุดภายในปี 2030
• ใน 1 ใน 3 ของอาชีพ คาดว่า มากกว่า 10% ของทักษะจะเปลี่ยนแปลงอย่างมีนัยสำคัญ

• การทำให้ข้อกำหนดด้านทักษะมีความเฉพาะเจาะจงและเชี่ยวชาญมากขึ้น

  • จำนวนทักษะเฉพาะที่เชื่อมโยงกับแต่ละอาชีพเพิ่มจากค่าเฉลี่ย 54 รายการเป็น 64 รายการ เมื่อเทียบกับ 10 ปีก่อน สะท้อนว่านายจ้างอธิบายบทบาทงานอย่างเจาะจงมากขึ้น
  • สาขาที่มีค่าจ้างสูงมีแนวโน้มต้องใช้ทักษะมากกว่าและมีความเชี่ยวชาญสูงกว่า
    • ประกาศรับสมัครงานสำหรับนักวิทยาศาสตร์ข้อมูลและนักเศรษฐศาสตร์ระบุทักษะเฉพาะ มากกว่า 90 รายการ
    • พนักงานขับรถยนต์ระบุ น้อยกว่า 10 รายการ
  • อาชีพค่าจ้างสูงเน้นทักษะด้านการจัดการ ข้อมูลข่าวสาร และดิจิทัล
  • บทบาทค่าจ้างต่ำมุ่งเน้นงานภาคปฏิบัติ การใช้งานอุปกรณ์ และการให้การดูแล·การสนับสนุน

• ทักษะที่ถ่ายโอนได้และ 8 ทักษะความถี่สูง

  • คลื่นการเปลี่ยนแปลงของทักษะแต่ละระลอกได้เปลี่ยนวิธีการทำงานของแรงงานมาโดยตลอด แต่สิ่งที่แตกต่างในวันนี้คือ ความเร็ว
  • จนถึงปี 2023 ความต้องการทักษะที่เกี่ยวข้องกับ AI เติบโตในอัตราใกล้เคียงกับทักษะดิจิทัลอื่น ๆ เช่น คลาวด์คอมพิวติ้งและไซเบอร์ซีเคียวริตี
  • หลังการมาถึงของ Generative AI การเติบโตเร่งขึ้นอย่างรวดเร็ว: ในช่วง 2 ปีที่ผ่านมา มี ทักษะใหม่ราว 600 รายการ ปรากฏในประกาศรับสมัครงาน (ประมาณ 1 ใน 3 ของจำนวนที่เพิ่มขึ้นทั้งหมดในช่วง 10 ปีที่ผ่านมา) และหลายรายการเชื่อมโยงกับ AI และเทคโนโลยีที่เกี่ยวข้อง
  • การเปลี่ยนแปลงอย่างรวดเร็วทำให้มูลค่าของ ทักษะที่ถ่ายโอนได้ สูงขึ้น
  • แม้ความเชี่ยวชาญจะเพิ่มขึ้น แต่ 8 ทักษะความถี่สูง (การสื่อสาร ความสัมพันธ์กับลูกค้า การเขียน การแก้ปัญหา ภาวะผู้นำ การจัดการ การปฏิบัติการ และความใส่ใจในรายละเอียด) ยังคงใช้ได้อย่างต่อเนื่องข้ามอุตสาหกรรมและระดับค่าจ้าง
  • ทักษะเหล่านี้ก่อเป็นโครงสร้างเชื่อมโยงของตลาดแรงงานและเป็นแกนหลักของการพัฒนากำลังคน
  • ทักษะอื่นอีกมากก็ถ่ายโอนข้ามอาชีพได้เช่นกัน: ตัวอย่างเช่น มากกว่าครึ่งหนึ่งของทักษะที่จำเป็นสำหรับ Account Executive ยังปรากฏใน อีก 175 อาชีพ

• ความต้องการ AI Fluency ที่เติบโตอย่างรวดเร็ว

  • ความต้องการ AI Fluency (ความสามารถในการใช้และบริหารจัดการเครื่องมือ AI) พุ่งขึ้นเกือบ 7 เท่า ในช่วง 2 ปีจนถึงกลางปี 2025
  • ขณะนี้ได้กลายเป็นข้อกำหนดในอาชีพที่มีแรงงานทำงานอยู่ราว 7 ล้านคน
  • ความต้องการ ทักษะ AI เชิงเทคนิค (การสร้างและนำระบบ AI ไปใช้งาน) ก็เติบโตเช่นกัน แต่ช้ากว่า
  • 75% ของความต้องการทักษะ AI กระจุกตัวอยู่ใน 3 กลุ่มอาชีพ: คอมพิวติ้ง·คณิตศาสตร์ การจัดการ และธุรกิจ·การเงิน
  • ที่เหลือเกิดขึ้นใน อีก 10 กลุ่มอาชีพ เช่น สถาปัตยกรรม·วิศวกรรม การติดตั้ง·บำรุงรักษา·ซ่อมแซม และการศึกษา
  • ใน 9 กลุ่มอาชีพ เช่น ก่อสร้าง ขนส่ง และบริการอาหาร (คิดเป็นแรงงานราว 40% และมีรายได้ต่ำกว่าหรือเท่ากับค่ามัธยฐาน) ความต้องการทักษะที่เกี่ยวข้องกับ AI ยังมีจำกัด
  • นายจ้างยังเพิ่มความต้องการ ความสามารถที่อยู่ติดกับ AI เช่น การเพิ่มประสิทธิภาพกระบวนการ การประกันคุณภาพ และการฝึกอบรม
  • ในทางกลับกัน การกล่าวถึงในประกาศรับสมัครงานสำหรับด้านที่เครื่องจักรทำได้ดีอยู่แล้วหรือปรับปรุงได้มาก (การวิจัย การเขียน คณิตศาสตร์พื้นฐาน) กำลังลดลง แต่ทักษะเหล่านี้ยังคงจำเป็นต่อแรงงานส่วนใหญ่

• ทักษะของมนุษย์ส่วนใหญ่ยังใช้ได้ แต่รูปแบบการใช้งานเปลี่ยนไป

  • ทักษะประมาณ 72% จำเป็นทั้งต่อ งานที่ AI ทำได้ และงานที่มนุษย์ต้องทำ
  • ทักษะส่วนน้อยคาดว่าจะยังคงเป็นสิ่งที่ เป็นมนุษย์โดยเฉพาะ โดยมีรากฐานจากความเห็นอกเห็นใจ ความคิดสร้างสรรค์ และความเข้าใจตามบริบท เช่น การแก้ไขความขัดแย้งระหว่างบุคคล และ Design Thinking
  • ที่ปลายอีกด้านของสเปกตรัม มีทักษะที่มีแนวโน้มจะถูกขับเคลื่อนโดย AI เป็นส่วนใหญ่ เช่น การป้อนข้อมูล การประมวลผลทางการเงิน และการควบคุมอุปกรณ์
    • ในพื้นที่นี้ มนุษย์จะถอยออกจากงานปฏิบัติและมุ่งเน้นที่การออกแบบ การตรวจสอบผลลัพธ์ และการจัดการข้อยกเว้น
  • ในพื้นที่กว้างตรงกลางระหว่างสองขั้ว มนุษย์และ AI จะร่วมมือกันเคียงข้างกัน
    • เกิดเป็น หุ้นส่วนทางเทคโนโลยี: เครื่องจักรจัดการงานรูทีน ขณะที่มนุษย์กำหนดกรอบปัญหา ให้คำสั่งแก่ AI agent·หุ่นยนต์ ตีความผลลัพธ์ และตัดสินใจ
    • มนุษย์จะเติมเต็มด้วยวิจารณญาณและความเข้าใจตามบริบทที่เครื่องจักรยังขาด พร้อมผสานความร่วมมือเข้ากับการกำกับดูแล

Skill Change Index(SCI)

• SCI เป็น ดัชนีถ่วงน้ำหนักตามเวลา ที่วัดระดับการเปิดรับศักยภาพการทำงานอัตโนมัติของแต่ละทักษะภายใต้สถานการณ์การนำไปใช้ที่หลากหลาย
• ในบรรดา 100 ทักษะ ที่มีความต้องการสูงที่สุด ผลกระทบของ AI แตกต่างกันมาก
  • ทักษะที่เน้นมนุษย์ เช่น การโค้ช มีการเปิดรับต่อระบบอัตโนมัติต่ำที่สุด
  • ทักษะแบบใช้แรงงาน·งานรูทีน เช่น การประมวลผลใบแจ้งหนี้ มีการเปิดรับสูงที่สุด
  • ทักษะอย่างการประกันคุณภาพอยู่ในช่วงกลางของการกระจาย ซึ่งเป็นพื้นที่ที่ AI เปลี่ยนวิธีใช้ทักษะมากกว่าจะมาแทนที่ทักษะนั้น

• ระดับการเปิดรับของ 7,000 ทักษะ

  • ทักษะดิจิทัล·การประมวลผลข้อมูล อยู่ในอันดับสูงสุดของ SCI สะท้อนถึงความสามารถด้านการประมวลผลและวิเคราะห์ข้อมูลของ AI ที่ดีขึ้น
  • ทักษะด้านการดูแล·การสนับสนุน คาดว่าจะเปลี่ยนแปลงน้อยที่สุด

• 3 เส้นทางของวิวัฒนาการทักษะ

  • ทักษะที่เปิดรับสูง (ควอไทล์บนสุด): มีโอกาสสูงที่ความต้องการจะลดลง ส่วนใหญ่เป็นทักษะเฉพาะทางที่ AI ทำได้ดีอยู่แล้ว เช่น กระบวนการบัญชี และการเขียนโปรแกรมภาษาเฉพาะบางภาษา
  • ทักษะควอไทล์กลาง: มีแนวโน้มที่ ธรรมชาติและวิธีการประยุกต์ใช้จะวิวัฒน์ มากกว่าความต้องการจะเพิ่มหรือลด ส่วนใหญ่เป็นทักษะที่ถ่ายโอนได้ซึ่งผสานการตัดสินใจของมนุษย์กับเครื่องมือดิจิทัล โดย AI Fluency ก็อยู่ในกลุ่มนี้ รวมถึงทักษะอย่างการเขียน·การวิจัยที่ผู้คนจะนำไปใช้ในรูปแบบใหม่
  • ทักษะที่เปิดรับต่ำ (ควอไทล์ล่าง): มีโอกาสสูงที่จะ คงอยู่ต่อไป ส่วนใหญ่เป็นทักษะที่ตั้งอยู่บนความเชื่อมโยงและการดูแลแบบมนุษย์ เช่น ภาวะผู้นำ และทักษะด้านเฮลท์แคร์

มูลค่าทางเศรษฐกิจและการออกแบบเวิร์กโฟลว์ใหม่

• ระบบอัตโนมัติที่ขับเคลื่อนด้วย AI สามารถสร้างมูลค่าทางเศรษฐกิจในสหรัฐได้ราว 2.9 ล้านล้านดอลลาร์ต่อปี ภายในปี 2030 ภายใต้สถานการณ์การยอมรับในระดับปานกลาง
• การทำให้เกิดประโยชน์เหล่านี้ต้องอาศัย การออกแบบเวิร์กโฟลว์ทั้งหมดใหม่ ไม่ใช่แค่การทำงานแต่ละอย่างให้เป็นอัตโนมัติ เพื่อให้มนุษย์ เอเจนต์ และหุ่นยนต์ทำงานร่วมกันได้อย่างมีประสิทธิภาพ

• บริษัทส่วนใหญ่ยังไม่ได้รับประโยชน์อย่างเป็นรูปธรรม

  • บริษัทประมาณ 90% ตอบว่าได้ลงทุนใน AI แล้ว แต่บริษัทที่รายงานผลประโยชน์ที่วัดผลได้มี ไม่ถึง 40%
  • สาเหตุของช่องว่างนี้คือ หลายโครงการยังอยู่ในระยะ pilot/ทดลอง หรือองค์กรยังนำ AI ไปใช้กับงานรายจุดแทนที่จะออกแบบเวิร์กโฟลว์ทั้งหมดใหม่
  • ตัวอย่าง: ความต่างระหว่างการให้แชตบอตใช้งานชั่วคราวแก่พนักงานในธนาคาร กับการวางเอเจนต์แบบปรับแต่งเฉพาะลงในกระบวนการที่ออกแบบใหม่โดยมีมนุษย์ร่วมอยู่ สำหรับการอนุมัติ·ประมวลผล·บริหารจัดการสินเชื่อ

• การกระจายของผลประโยชน์ด้านผลิตภาพ

  • วิเคราะห์ 190 กระบวนการธุรกิจ ทั่วทั้งเศรษฐกิจสหรัฐ
  • ราว 60% ของผลประโยชน์ด้านผลิตภาพที่เป็นไปได้กระจุกตัวอยู่ในเวิร์กโฟลว์ที่เกี่ยวข้องกับ โดเมนเฉพาะภาคส่วน (กิจกรรมหลักของแต่ละอุตสาหกรรม)
    • ภาคการผลิต: การบริหารซัพพลายเชน
    • เฮลท์แคร์: การวินิจฉัยทางคลินิกและการดูแลผู้ป่วย
    • การเงิน: การปฏิบัติตามกฎระเบียบและการบริหารความเสี่ยง
  • ผลประโยชน์เพิ่มเติมเกิดขึ้นจาก ฟังก์ชันข้ามสายงาน ที่สนับสนุนทุกภาคส่วน เช่น IT การเงิน และบริการธุรการ

กรณีศึกษา: เวิร์กโฟลว์ที่ฝัง AI ไว้ในตัว

• ตรวจสอบ 80 กรณีการใช้งานจริง ในการออกแบบเวิร์กโฟลว์ใหม่โดยมี AI เป็นศูนย์กลาง
• ผู้จัดการและผู้เชี่ยวชาญค่อย ๆ เปลี่ยนบทบาทจากผู้ลงมือปฏิบัติไปเป็น ผู้ประสานงานออร์เคสตราเตอร์·ผู้ตรวจสอบความถูกต้อง
• ผู้เชี่ยวชาญเฉพาะด้าน เช่น นักวิเคราะห์ข้อมูล ผู้รับประกันความเสี่ยง และวิศวกร สร้างความร่วมมือกับเอเจนต์ที่ทำการวิเคราะห์เบื้องต้นหรือสร้างร่างแรก
• ทักษะของมนุษย์ที่มีคุณค่ามากที่สุดกำลังย้ายไปสู่ ความคล่องแคล่วด้าน AI, ความสามารถในการปรับตัว, การประเมินผลลัพธ์อย่างมีวิจารณญาณ ทำให้คนสามารถโฟกัสกับงานที่มีมูลค่าสูงกว่าได้

• กรณีด้านการขาย: บริษัทเทคโนโลยีระดับโลก

  • มุ่งขยายการเข้าถึงและกระชับความสัมพันธ์กับลูกค้าให้ลึกซึ้งขึ้น
  • ในโมเดลเดิม ทีมขายที่เป็นมนุษย์ใช้วิธีจัดลำดับความสำคัญที่ไม่สม่ำเสมอ มีข้อจำกัดในการเข้าหาแบบเฉพาะบุคคลสำหรับบัญชีขนาดเล็กหลายพันราย และมีเพียงลูกค้าเป้าหมายระดับบนเท่านั้นที่ได้รับความสนใจแบบเฉพาะเจาะจง
  • นำ AI เอเจนต์หลายตัว มาใช้เพื่อทำงานขั้นต้นของกระบวนการขายให้เป็นอัตโนมัติ
    • เอเจนต์จัดลำดับความสำคัญ: ให้คะแนนและจัดอันดับบัญชีโดยอิงจากข้อมูลสาธารณะและข้อมูลกรรมสิทธิ์
    • เอเจนต์การเข้าถึง: ติดต่อหาลูกค้า
    • เอเจนต์ตอบกลับลูกค้า: จัดการการติดตามผล และจัดประเภทลีดเป็น สนใจ/ไม่สนใจ/ไม่แน่ชัด
    • เอเจนต์จัดตารางเวลา: ตั้งค่าการโทรและการเตือนสำหรับลีดที่มีศักยภาพสูง
    • เอเจนต์ส่งต่องาน: โอนไฟล์ให้ผู้เชี่ยวชาญเมื่อจำเป็นต้องใช้การตัดสินใจของมนุษย์
  • ผลลัพธ์: คาดว่ารายได้ต่อปีจะเพิ่มขึ้น 7~12% จากรายได้ใหม่ การขายต่อยอด และอัตราการรักษาลูกค้า พร้อมประหยัดเวลาได้ 30~50% ในบทบาทงานขายโดยรวม
  • ผู้เชี่ยวชาญด้านพัฒนาธุรกิจสามารถใช้เวลากับ การมีส่วนร่วมเชิงกลยุทธ์ มากขึ้น เช่น การจัดทำข้อเสนอ การเจรจาพันธมิตร และการสร้างความสัมพันธ์
  • ในอนาคตสามารถเพิ่ม เอเจนต์โค้ช (ให้ฟีดแบ็กแบบเรียลไทม์แก่ทีมขาย) และ เอเจนต์การจัดการ (ผู้ช่วยจัดการงานธุรการตามกิจวัตร) ได้

• กรณีด้านปฏิบัติการลูกค้า: บริษัทสาธารณูปโภครายใหญ่

  • แม้จะมีตัวเลือกบริการตนเองหลายแบบในแอปและเว็บไซต์ แต่ยังต้องรับสายสนับสนุนมากกว่า 7 ล้านครั้ง ต่อปี
  • ระบบตอบรับเสียงอัตโนมัติแบบสนทนาเดิมสามารถแก้ปัญหาได้เพียงประมาณ 10% ของคำถามที่เข้ามา ส่วนที่เหลือถูกส่งต่อไปยังเจ้าหน้าที่บริการลูกค้าที่เป็นมนุษย์
  • นำ conversational AI แบบ agentic ไปใช้งานกับฐานลูกค้าทั้งหมด
    • เอเจนต์รับสายเข้า: ยืนยันตัวตนลูกค้า
    • เอเจนต์ระบุเจตนา: ทำความเข้าใจวัตถุประสงค์ของการโทร
    • เอเจนต์จัดตารางการโทร: จัดการการนัดหมาย
    • เอเจนต์บริการตนเอง: ผสานการทำงานกับระบบแบ็กเอนด์
  • ผลลัพธ์: ปัจจุบันจัดการได้ประมาณ 40% ของสายทั้งหมด และในจำนวนนั้นมากกว่า 80% ได้รับการแก้ไขโดยไม่ต้องมีมนุษย์เข้ามาแทรกแซง
    • หากจำเป็นต้องยกระดับเรื่อง จะมีการส่งต่อพร้อมรายละเอียดบัญชีที่ยืนยันแล้วและประวัติการสนทนาเพื่อให้การส่งต่องานราบรื่น
    • ต้นทุนเฉลี่ยต่อสายลดลงประมาณ 50%
    • คะแนนความพึงพอใจของลูกค้าเพิ่มขึ้น 6 จุดเปอร์เซ็นต์ จากเวลารอที่สั้นลง การจัดการที่สม่ำเสมอ และการแก้ปัญหาที่รวดเร็วขึ้น
    • เจ้าหน้าที่ที่เป็นมนุษย์ดูแลปัญหาที่ซับซ้อนกว่า อ่อนไหวทางอารมณ์มากกว่า และมีมูลค่าสูงกว่า
  • ในอนาคตสามารถเพิ่ม เอเจนต์ระบุปัญหาลูกค้า (ตรวจจับการหยุดชะงักของบริการและติดตามเพื่อติดต่อลูกค้าเชิงรุก) และ เอเจนต์โค้ช (ให้คำแนะนำแบบเรียลไทม์แก่เจ้าหน้าที่ระหว่างการสนทนา) ได้
  • คาดว่า AI เอเจนต์ขั้นสูงจะสามารถจัดการคำถามลูกค้าได้ในที่สุด 80~90%

• กรณีด้านการเขียนเอกสารทางการแพทย์: บริษัทยาชีวภาพระดับโลก

  • มุ่งปรับปรุงกระบวนการจัดทำ รายงานการวิจัยทางคลินิก ที่บันทึกข้อมูลด้านความปลอดภัยและประสิทธิผลของยาใหม่
  • ในโมเดลเดิม ผู้เขียนเอกสารทางการแพทย์ต้องรวบรวมข้อมูลการวิจัยด้วยตนเอง เขียนรายงานยาว และประสานรอบการตรวจทานหลายครั้ง
  • ข้อจำกัดด้านกำลังคนและเวลาที่ใช้ยาวนานจำกัดความสามารถในการรองรับความต้องการยื่นเอกสารที่เพิ่มขึ้น
  • พัฒนา แพลตฟอร์ม AI ที่ปรับโครงสร้างเวิร์กโฟลว์สำหรับการเขียนรายงานใหม่
    • สังเคราะห์ข้อมูลการวิจัยทั้งแบบมีโครงสร้างและไม่มีโครงสร้าง สร้างร่างที่ครอบคลุมภายในไม่กี่นาที ใช้เทมเพลตตามสไตล์บริษัทและข้อกำกับดูแล และตรวจทานข้อผิดพลาดด้วยตนเอง
  • บทบาทของผู้เขียนเอกสารทางการแพทย์เปลี่ยนจากการร่างด้วยมือไปสู่ การทำงานร่วมกับระบบ AI และใช้วิจารณญาณทางคลินิก
  • ผลลัพธ์: เวลาที่ใช้ลงมือแก้ไขร่างสำหรับการตรวจทานโดยมนุษย์ครั้งแรกลดลงประมาณ 60% และข้อผิดพลาดลดลงประมาณ 50%
    • เมื่อผสานกับการเปลี่ยนแปลงกระบวนการและเทคโนโลยีที่เกี่ยวข้องอื่น ๆ ความพยายามในการออกสู่ตลาดอาจสั้นลงได้ หลายสัปดาห์ และยังคาดว่าจะปรับปรุงได้เพิ่มเติม
  • ในอนาคตสามารถใช้เอเจนต์สนับสนุนขั้นตอนสำคัญตั้งแต่การวางแผนการวิจัยทางคลินิกไปจนถึงการยื่นเอกสาร: เอเจนต์วางแผนการวิจัยทางคลินิก (ประกอบโปรโตคอลการทดลอง), เอเจนต์แมปข้อมูล (วิเคราะห์และสังเคราะห์ข้อมูล), เอเจนต์เขียนรายงาน (สร้างร่างฉบับเต็ม), เอเจนต์ตรวจสอบความถูกต้อง (ยืนยันการปฏิบัติตามข้อกำหนด), เอเจนต์ตรวจทาน (สแกนหาข้อผิดพลาด), เอเจนต์ร่างเอกสารยื่น (สร้างเอกสารสำหรับยื่นต่อหน่วยงานกำกับดูแล)
  • หากนำไปใช้ตลอดวงจรการวิจัย อาจย่นระยะเวลาได้ หลายเดือน

• กรณีด้านการทำ IT ให้ทันสมัย: ธนาคารระดับภูมิภาค

  • ใช้ AI เอเจนต์เพื่อทำแอปพลิเคชันธนาคารสำหรับธุรกิจขนาดกลางและขนาดย่อมให้ทันสมัย
  • ตั้งเป้าอัปเดตภาษาการเขียนโปรแกรมหลายแบบเพื่อเร่งความเร็วการพัฒนาภายใน
  • วิธีเดิม: ต้องใช้เวลาหลายเดือนกับการจัดทำเอกสารโค้ดหลายล้านบรรทัดด้วยมือ การรีแฟกเตอร์โค้ด และการทดสอบ ต้องใช้งบประมาณจำนวนมากและความสามารถด้านวิศวกรรมอย่างกว้างขวาง
  • เริ่ม โครงการนำร่อง ที่ใช้ AI เอเจนต์กับงานปรับระบบให้ทันสมัยหลายด้าน
    • เอเจนต์ประเมิน: สแกนโค้ดเบสแบบเลกาซีเพื่อระบุการพึ่งพากัน
    • เอเจนต์ฟังก์ชัน: สร้างสถาปัตยกรรมสถานะเป้าหมาย
    • เอเจนต์โค้ดดิ้ง: ย้ายโค้ดไปยังเฟรมเวิร์กใหม่และทำการทดสอบอัตโนมัติ
  • นักพัฒนาทำงานร่วมกับ 15~20 เอเจนต์ เพื่อตรวจสอบและปรับปรุงผลลัพธ์ในด้านความสมบูรณ์ของสถาปัตยกรรม การปฏิบัติตามข้อกำหนด และความถูกต้องของฟังก์ชัน
  • ในกระบวนการปรับให้ทันสมัย แอปพลิเคชันเปลี่ยนจากเดสก์ท็อปไปสู่มือถือ จาก on-premises ไปสู่คลาวด์ และจากโมโนลิทิกไปสู่สถาปัตยกรรมไมโครเซอร์วิส
  • เมื่อ AI เอเจนต์รับผิดชอบการลงมือทำซ้ำ ๆ เป็นส่วนใหญ่ จุดโฟกัสของงานมนุษย์จึงย้ายไปสู่ การวางแผน, การออร์เคสเตรต, การทดสอบ
  • ผลลัพธ์เบื้องต้น: ความถูกต้องของโค้ดสูงสุด 70%
  • หลังจากโมดูลนำร่อง ธนาคารมีแผนขยายการใช้เอเจนต์ไปยังความพยายามปรับระบบให้ทันสมัยทั้งหมด โดยประเมินว่าสามารถลดเวลาที่ต้องใช้ของมนุษย์ได้สูงสุด 50%
  • ในอนาคตสามารถมี เอเจนต์วางแผนการทำให้ทันสมัย (ประสานกระบวนการ), เอเจนต์ประกันคุณภาพ, และ เอเจนต์ทดสอบ มาสนับสนุนได้

• AI กำลังปรับโฉมงานบริหารและทักษะ

  • เมื่อ AI รับงานวิเคราะห์และงานสนับสนุนการตัดสินใจมากขึ้น แก่นแท้ของงานบริหารจึงเปลี่ยนจาก การกำกับดูแลคน ไปสู่ การออร์เคสเตรตระบบที่คน·AI เอเจนต์·หุ่นยนต์ทำงานร่วมกัน
  • ผู้จัดการสามารถจัดสรรเวลาใหม่ไปสู่งานที่มีมูลค่าสูงกว่า เช่น การใช้อิทธิพลและการเป็นพี่เลี้ยง ขณะเดียวกันก็ต้องการความคล่องแคล่วด้านเทคนิคมากขึ้นด้วย
    • ตัวอย่าง: ผู้จัดการฝ่ายขาย สามารถใช้เวลามากขึ้นในการโค้ชทีมให้ใช้ข้อมูลเชิงลึกจาก AI และกระชับความสัมพันธ์ให้แน่นแฟ้นขึ้น
    • ตัวอย่าง: ผู้จัดการฝ่ายบริการลูกค้า สามารถกำกับดูแลกำลังคนแบบไฮบริดของมนุษย์และ AI เอเจนต์ พร้อมฝึกทั้งระบบ AI และพนักงานเพื่อปรับปรุงการให้บริการ

คำถามสำคัญสำหรับผู้นำธุรกิจ

• การจินตนาการธุรกิจใหม่เพื่อสร้างมูลค่าในอนาคต

  • ความพยายามด้าน AI ในช่วงแรกมักมุ่งเน้นการปรับปรุงสิ่งที่มีอยู่ มากกว่าการทบทวนเวิร์กโฟลว์ใหม่
  • ผลประโยชน์ที่มากกว่าจะเกิดจากการ ออกแบบกระบวนการใหม่ทั้งระบบ
  • เพื่อสร้างมูลค่าในอนาคต จำเป็นต้องมองล่วงหน้าไปอีกหลายปีแล้วทำงานย้อนกลับ เพื่อระบุว่าบทบาท ทักษะ และโครงสร้างใดบ้างที่ต้องเปลี่ยนแปลงในบริบทของ AI
  • ผู้นำจำเป็นต้องเลือกว่าควรลงทุนกับการออกแบบใหม่ที่สำคัญในจุดใดตั้งแต่ตอนนี้ และควรปรับปรุงโมเดลปัจจุบันในจุดใดเพื่อให้ได้ประโยชน์ระยะสั้น

• ขับเคลื่อน AI ในฐานะการเปลี่ยนผ่านทางธุรกิจหลัก

  • AI ส่งผลกระทบต่อแทบทุกฟังก์ชัน
  • ผู้นำสามารถเข้าหาเรื่องนี้ในฐานะโครงการเทคโนโลยี หรือในฐานะการเปลี่ยนผ่านทางธุรกิจที่กว้างกว่า
  • หากมอบหมายความรับผิดชอบให้ฝ่าย IT ความเร็วในการนำไปใช้จริงอาจสูงขึ้น แต่การเปลี่ยนแปลงอย่างต่อเนื่องและความได้เปรียบเชิงกลยุทธ์ที่แท้จริง จะขึ้นอยู่กับความมุ่งมั่นที่มองเห็นได้จากผู้นำระดับสูง และความใส่ใจอย่างต่อเนื่องต่อผลกระทบของ AI ที่มีต่อผู้คนและธุรกิจทั้งองค์กร

• สร้างวัฒนธรรมแห่งการทดลองและการเรียนรู้

  • การนำ AI ไปใช้มักมาพร้อมความไม่แน่นอน โดยเฉพาะในช่วงแรก
  • องค์กรที่ทดสอบและปรับตัวได้รวดเร็ว มักเรียนรู้ได้เร็วที่สุด
  • สิ่งนี้ขึ้นอยู่กับวัฒนธรรมที่สนับสนุนความอยากรู้อยากเห็น การยอมรับความเสี่ยง การเรียนรู้จากความล้มเหลว และการทำงานร่วมกัน
  • การเปลี่ยนแปลงวัฒนธรรมเป็นเรื่องยาก แต่จำเป็นต่อการเปลี่ยนผ่านในขนาดที่ AI มีแนวโน้มจะเรียกร้อง

• สร้างความไว้วางใจและรับประกันความปลอดภัย

  • AI กำลังเปลี่ยนวิธีที่องค์กรรักษาความรับผิดชอบและการกำกับดูแล
  • จุดสนใจกำลังย้ายจากการตรวจสอบผลลัพธ์รายชิ้น ไปสู่การกำหนดนโยบายที่ชัดเจน การตรวจสอบตรรกะของ AI การจัดการข้อยกเว้น และการตัดสินใจว่าช่วงเวลาใดที่จำเป็นต้องมีมนุษย์เข้ามาแทรกแซงมากที่สุด
  • โจทย์คือการรักษาสมดุลที่เหมาะสมระหว่างการคงการกำกับดูแลให้เพียงพอสำหรับการบริหารความเสี่ยงและความปลอดภัย โดยไม่จำกัดนวัตกรรมและประสิทธิภาพ

• เตรียมความพร้อมให้ผู้จัดการนำทีมไฮบริดได้

  • AI กำลังนิยามความหมายของการจัดการใหม่
  • เมื่อการกำกับดูแลงานประจำถูกทำให้เป็นอัตโนมัติ ผู้จัดการจะสามารถมุ่งเน้นที่การโค้ช การใช้อิทธิพล และการออร์เคสเตรตทีมไฮบริดที่ประกอบด้วยคน เอเจนต์ และหุ่นยนต์
  • ผู้จัดการยังมีบทบาทสำคัญในการทดสอบอคติ การตรวจสอบผลการทำงาน และการรักษาความถูกต้องน่าเชื่อถือ
  • เมื่อระบบอัตโนมัติทำให้การควบคุมโดยตรงลดลง การรักษาความรับผิดชอบต่อผลลัพธ์อาจยิ่งทำได้ยากขึ้น
  • จำเป็นต้องมีตัวชี้วัดผลงานและระบบฟีดแบ็กแบบใหม่เพื่อประเมินการมีส่วนร่วมและปฏิสัมพันธ์ของมนุษย์กับเครื่องจักร

• ตัดสินใจว่าจะใช้ศักยภาพที่ AI ปลดปล่อยออกมาอย่างไร

  • องค์กรจำเป็นต้องตัดสินใจว่าจะใช้ศักยภาพที่ AI ปลดปล่อยออกมาอย่างไร: นำกลับไปลงทุนเพื่อพัฒนาบุคลากรและงานที่มีมูลค่าสูงกว่า หรือมุ่งเน้นประสิทธิภาพและการลดต้นทุนที่มากขึ้น
  • ส่วนใหญ่จะทำทั้งสองอย่างในระดับหนึ่ง
  • การบริหารการเปลี่ยนผ่านนี้ต้องอาศัยการระบุว่าบทบาทใดบ้างที่สามารถพัฒนาไปได้ และต้องมอบเส้นทางการเติบโตบนฐานทักษะที่ชัดเจนให้แก่พนักงาน
  • ในยุค AI การเรียนรู้อย่างต่อเนื่องและการฝึกอบรมยิ่งมีความสำคัญต่อความแข็งแกร่งขององค์กร
  • เมื่อการเปลี่ยนแปลงของอาชีพและความต้องการด้านทักษะพัฒนาเร็วขึ้น การช่วยให้แรงงานเข้าใจว่าทักษะของตนสามารถถ่ายโอนไปสู่งานรูปแบบใหม่ได้อย่างไร จะช่วยเสริมความยืดหยุ่นทั้งของบุคคลและองค์กร
  • จำเป็นต้องขยายความคล่องด้าน AIไปยังทุกระดับขององค์กร
  • องค์กรสามารถสร้างทักษะเหล่านี้ได้ผ่านเครื่องมือดิจิทัล โครงการภาคปฏิบัติ และการโค้ช และยังสามารถขยายการเข้าถึงการเรียนรู้และเปิดโอกาสใหม่ ๆ ผ่านความร่วมมือกับองค์กรหรือสถาบันอื่นได้

คำถามสำคัญสำหรับสถาบัน

• การพัฒนาของการศึกษาและการฝึกอบรม

  • เมื่อความต้องการด้านทักษะเปลี่ยนแปลงไป การศึกษาจึงมีบทบาทสำคัญ
  • จำเป็นต้องพัฒนาพื้นฐานของความคล่องด้าน AI ตั้งแต่ระดับประถมศึกษา เช่น การคิดเชิงวิพากษ์ การตั้งคำถามกับผลลัพธ์ การท้าทายสมมติฐาน และการตระหนักถึงอคติและข้อผิดพลาด เพื่อให้ผู้คนเรียนรู้วิธีใช้และกำกับเทคโนโลยีเหล่านี้ได้อย่างมีประสิทธิภาพ
  • สามารถออกแบบหลักสูตรใหม่ให้ผสานความรู้ทางเทคนิคเข้ากับทักษะมนุษย์ที่ถ่ายโอนได้ เช่น ความสามารถในการปรับตัว การคิดวิเคราะห์ และการทำงานร่วมกัน
  • มหาวิทยาลัยสามารถบูรณาการ AI เข้าไปในทุกสาขาวิชา ขณะที่วิทยาลัยสายอาชีพและวิทยาลัยชุมชนสามารถขยายการฝึกอบรมสายช่างฝีมือได้
  • AI ยังสามารถสนับสนุนการเรียนรู้ที่เป็นส่วนบุคคลและต่อเนื่องได้มากขึ้น
  • เมื่อความต้องการ reskilling เพิ่มขึ้น ก็จำเป็นต้องลงทุนในการเรียนรู้ตลอดชีวิต
  • ระบบการศึกษาและนายจ้างจำเป็นต้องร่วมมือกันอย่างใกล้ชิดมากขึ้น ผ่านโปรแกรมร่วม โมเดลที่ยืดหยุ่น การฝึกงานที่มีรายได้ควบคู่ และการรับรองคุณวุฒิแบบรวดเร็ว เพื่อช่วยให้ผู้คนย้ายข้ามอาชีพและอุตสาหกรรมได้

• ระบบที่เชื่อมทักษะที่ถ่ายโอนได้เข้ากับโอกาสใหม่

  • เมื่อ AI เปลี่ยนแปลงลักษณะงาน หลายคนอาจจำเป็นต้องย้ายไปสู่อาชีพใหม่โดยสิ้นเชิง
  • ทักษะที่ถ่ายโอนได้เป็นสิ่งจำเป็นต่อการเปลี่ยนผ่านดังกล่าว แต่จะมีความหมายก็ต่อเมื่อตลาดแรงงานสามารถรับรู้และให้คุณค่ากับทักษะเหล่านี้ได้
  • สิ่งนี้เกิดขึ้นได้ผ่านการนิยามทักษะอย่างชัดเจน วิธีการที่เชื่อถือได้ในการพิสูจน์ความสามารถ เช่น การทดสอบหรือใบรับรองที่ผ่านการรับรอง และแพลตฟอร์มการจับคู่ที่ดีกว่าเดิม
  • การสร้างการเชื่อมต่อระหว่างนายจ้าง โรงเรียน และหน่วยงานออกใบรับรอง สามารถขยายการเข้าถึงงานและโอกาสต่าง ๆ ได้

• การตอบสนองของเศรษฐกิจท้องถิ่นและชุมชน

  • ผลกระทบของ AI แตกต่างกันมากตามอุตสาหกรรมและภูมิภาค
  • การทำความเข้าใจความแตกต่างเหล่านี้ด้วยข้อมูลคือก้าวแรกของการดำเนินการอย่างมีประสิทธิภาพ
  • เมื่อมีภาพที่ชัดเจนว่า การเปลี่ยนแปลงเกิดขึ้นที่ใด กลุ่มอุตสาหกรรม นักการศึกษา หน่วยงานด้านกำลังแรงงาน และสหภาพแรงงาน ก็จะสามารถร่วมมือกันเพื่อจัดทำการฝึกอบรมและกลยุทธ์การเปลี่ยนอาชีพที่ตอบโจทย์ความต้องการของท้องถิ่นได้

คำจำกัดความของคำศัพท์

• การนำไปใช้ (Adoption): การนำ AI และเทคโนโลยีอัตโนมัติไปใช้จริงในกิจกรรมงานและเวิร์กโฟลว์ภายในบริบทขององค์กรหรือกำลังแรงงาน ซึ่งเป็นตัวกำหนดว่าศักยภาพของระบบอัตโนมัติจะถูกดึงมาใช้ได้มากเพียงใด เร็วเพียงใด และกว้างขวางเพียงใด
• เอเจนต์ (Agents): เครื่องจักรที่ทำกิจกรรมงานในโลกดิจิทัล โดยเสริมศักยภาพหรือทดแทนความสามารถที่ไม่ใช่ทางกายภาพของมนุษย์ เช่น การสร้างภาษาธรรมชาติ การให้เหตุผลเชิงสังคมและอารมณ์ และความคิดสร้างสรรค์
• เอเจนต์ที่ขับเคลื่อนด้วย AI (AI-powered agents): เอเจนต์ที่ฝัง AI ไว้ภายใน จึงสามารถทำงานได้อย่างอิสระมากขึ้นและออร์เคสเตรตเวิร์กโฟลว์ได้; เรียกอีกอย่างว่า agentic AI
• หุ่นยนต์ที่ขับเคลื่อนด้วย AI (AI-powered robots): หุ่นยนต์ที่ฝัง AI ไว้ภายใน จึงสามารถทำงานได้อย่างอิสระมากขึ้นและออร์เคสเตรตเวิร์กโฟลว์ได้
• ปัญญาประดิษฐ์ (Artificial Intelligence, AI): ความสามารถของซอฟต์แวร์ในการทำงานที่ตามธรรมเนียมแล้วต้องอาศัยสติปัญญาของมนุษย์ โดยอาจเสริมศักยภาพหรือทดแทนความสามารถของมนุษย์ได้
• ขีดความสามารถ (Capabilities): ความสามารถทางกายภาพหรือไม่ใช่ทางกายภาพที่สนับสนุนการประยุกต์ใช้เทคโนโลยี โดยประเมินจากระดับผลงานเทียบเท่ามนุษย์ที่จำเป็นต่อการทำกิจกรรมงาน; ขีดความสามารถที่ไม่ใช่ทางกายภาพรวมถึงด้านการรับรู้ เช่น ภาษาธรรมชาติ การให้เหตุผลเชิงตรรกะ ความคิดสร้างสรรค์ และการนำทาง ตลอดจนขีดความสามารถด้านสังคมและอารมณ์
• Generative AI: แอปพลิเคชัน AI ที่รับข้อมูลไม่มีโครงสร้างเป็นอินพุต และสร้างข้อมูลไม่มีโครงสร้างผ่าน foundation model ซึ่งเป็นโครงข่ายประสาทเทียมขนาดใหญ่ที่ฝึกจากข้อมูลหลากหลายจำนวนมหาศาล
• งานที่ไม่ใช่ทางกายภาพ (Nonphysical work): งานที่ไม่เกี่ยวกับการเคลื่อนไหวทางกาย แต่เกี่ยวข้องกับขีดความสามารถด้านการรับรู้หรือด้านสังคม/อารมณ์ เช่น การแก้ปัญหา การประมวลผลข้อมูล การสร้างสรรค์ และการทำงานร่วมกับผู้อื่น
• อาชีพ (Occupations): กลุ่มของงานที่มีงานหรือกิจกรรมงานคล้ายกัน ซึ่งสามารถอธิบายได้ในด้านทักษะ บริบทของงาน และคุณสมบัติอื่น ๆ; ในสหรัฐฯ ใช้ระบบ Standard Occupational Classification ที่ดูแลโดยสำนักสถิติแรงงาน
• งานทางกายภาพ (Physical work): งานที่เกี่ยวข้องกับปฏิสัมพันธ์โดยตรงกับโลกทางกายภาพ และต้องใช้ขีดความสามารถที่อิงการเคลื่อนไหว เช่น ทักษะการเคลื่อนไหวมัดใหญ่ ทักษะการเคลื่อนไหวมัดเล็ก และความคล่องตัว; โดยทั่วไปครอบคลุมถึงการจัดการหรือเคลื่อนย้ายวัตถุ เครื่องมือ และเครื่องจักร การประกอบหรือจัดวางวัสดุ และการปฏิบัติการที่อาศัยกำลังหรือความคล่องแคล่วของมนุษย์
• หุ่นยนต์ (Robots): เครื่องจักรที่ทำกิจกรรมงานในโลกทางกายภาพ โดยเสริมศักยภาพหรือทดแทนความสามารถทางกายภาพของมนุษย์ เช่น ทักษะการเคลื่อนไหวมัดใหญ่ ทักษะการเคลื่อนไหวมัดเล็ก และความคล่องตัว
• ทักษะ (Skills): ความรู้ ขีดความสามารถ และคุณลักษณะที่บุคคลนำมาใช้เพื่อทำกิจกรรมงาน ซึ่งมักได้มาจากการศึกษาอย่างเป็นทางการ การฝึกอบรม และประสบการณ์ทำงาน; Lightcast และ ESCO เป็นผู้จัดทำระบบจำแนกทักษะแบบขับเคลื่อนโดยตลาด
• ศักยภาพการทำงานอัตโนมัติทางเทคนิค (Technical automation potential): สัดส่วนของชั่วโมงทำงานที่ในทางทฤษฎีสามารถทำให้เป็นอัตโนมัติได้ ภายใต้ระดับขีดความสามารถทางเทคนิคที่กำหนด; มีการประเมินศักยภาพนี้ของเศรษฐกิจสหรัฐฯ ผ่านการวิเคราะห์กิจกรรมงานอย่างละเอียดในแต่ละอาชีพ โดยใช้ฐานข้อมูลจากสำนักสถิติแรงงานสหรัฐฯ และ O*NET เพื่อแยกประมาณ 800 อาชีพออกเป็นราว 2,000 กิจกรรม และกำหนดขีดความสามารถที่จำเป็นสำหรับแต่ละกิจกรรมจากวิธีที่มนุษย์ทำงานนั้นอยู่ในปัจจุบัน
• กิจกรรมงาน (Work activities): พฤติกรรมการทำงานที่สังเกตได้ซึ่งบ่งบอกถึงสิ่งที่บุคคลทำเพื่อบรรลุเป้าหมายของอาชีพหนึ่ง ๆ; ในสหรัฐฯ O*NET จัดประเภทอย่างเป็นทางการในชื่อ Detailed Work Activities (DWA)
• เวิร์กโฟลว์ (Workflows): ลำดับของกิจกรรมงานแบบมีโครงสร้างที่ร่วมกันผลักดันงานไปสู่เป้าหมายที่กำหนด โดยมีการชี้นำจากกระบวนการ เช่น กฎ การพึ่งพากัน และการไหลของข้อมูล และรวมทั้งคนกับเทคโนโลยี