- สิ่งที่ AI คุกคามมากที่สุดไม่ใช่ แรงงานรายได้น้อย แต่เป็น สายงานที่การศึกษาสูงและค่าจ้างสูง: ผลกระทบจาก AI ไม่ได้มากับ "งานง่าย" ก่อน แต่กำลังมาถึง "งานดี" ก่อน
- โปรแกรมเมอร์เป็นอาชีพอันดับ 1 ที่มีความเสี่ยงมากที่สุด โดยมี coverage 75% สูงสุดในบรรดาทุกอาชีพ แต่ในอีกด้านหนึ่ง คนที่ใช้ coding agent มากที่สุดกลับเป็นตัวนักพัฒนาเอง ซึ่งเป็นสถานการณ์ที่ย้อนแย้ง
- ยังไม่มีใครถูกเลิกจ้างเพราะ AI โดยตรง แต่ประตูการรับพนักงานใหม่กำลังค่อยๆ ปิดลง: AI เข้ามาแทนที่คนไม่ใช่ด้วยการปลดพนักงานเดิม แต่ด้วยการไม่รับคนใหม่
- งานส่วนใหญ่ที่ในทางทฤษฎี AI สามารถแทนที่ได้ ยังไม่ได้ถูกแทนที่จริง: ในสายงานคอมพิวเตอร์และคณิตศาสตร์ theoretical coverage อยู่ที่ 94% แต่การใช้งานจริงมีเพียง 33% เท่านั้น เป็นสัญญาณเตือนว่ายังมีพื้นที่ให้ AI เข้าไปเติมอีกมาก
- ผู้หญิงและผู้มีการศึกษาสูงเผชิญความเสี่ยงจากการถูก AI แทนที่มากกว่า โดยสัดส่วนผู้หญิงสูงกว่า 16%p หลายคนมักคิดว่า AI คุกคาม "งาน blue-collar ของผู้ชาย" แต่ข้อมูลกลับชี้ตรงกันข้าม
ข้อค้นพบหลัก (Key Findings)
- “observed exposure” คือดัชนีที่รวมความเป็นไปได้เชิงทฤษฎีของ LLM กับข้อมูลการใช้งานจริง เพื่อ วัดระดับการใช้ AI ในงานที่เน้นการทำงานอัตโนมัติ
- ให้น้ำหนักมากกว่ากับการใช้งานแบบอัตโนมัติและการใช้งานที่เกี่ยวข้องกับงาน
- การใช้ AI จริงยังเป็นเพียงส่วนหนึ่งของศักยภาพตามทฤษฎี และ สัดส่วนของงานที่ AI ทำได้แต่ถูกนำมาใช้จริงยังต่ำ
- ยิ่งอาชีพมี exposure สูง การคาดการณ์ อัตราการเติบโตของการจ้างงานถึงปี 2034 ของสำนักงานสถิติแรงงานสหรัฐ (BLS) ก็ยิ่งต่ำ
- ผู้ทำงานในอาชีพที่มี exposure สูง โดยเฉลี่ยมี สัดส่วนผู้หญิงสูงกว่า การศึกษาสูงกว่า ค่าจ้างสูงกว่า และอายุมากกว่า
- ตั้งแต่ปลายปี 2022 เป็นต้นมา ยังไม่มีหลักฐานของการเพิ่มขึ้นของอัตราว่างงานอย่างเป็นระบบ แต่พบว่า การจ้างงานใหม่ของคนอายุน้อยชะลอตัวลง
ภูมิหลังและเป้าหมายของงานวิจัย
- แม้งานวิจัยที่พยายามวัดและคาดการณ์ผลกระทบของ AI ต่อตลาดแรงงานจะเพิ่มขึ้นอย่างรวดเร็ว แต่ ความแม่นยำในการคาดการณ์ของแนวทางที่ผ่านมา ยังมีข้อจำกัด
- ตัวอย่างชัดเจนคือ งานราว 25% ที่เคยถูกจัดว่าเสี่ยงต่อการย้ายไปต่างประเทศ กลับยังมีการเติบโตของการจ้างงานที่แข็งแกร่งแม้ผ่านไป 10 ปี
- งานวิจัยผลกระทบของหุ่นยนต์อุตสาหกรรมต่อการจ้างงานก็ยังได้ข้อสรุปที่ขัดแย้งกัน และขนาดของการสูญเสียงานจากแรงกระแทกการค้าจีนก็ยังเป็นประเด็นถกเถียง
- เป้าหมายของงานวิจัยนี้คือการสร้างแนวทางสำหรับวัดผลกระทบของ AI ต่อการจ้างงาน และอัปเดตการวิเคราะห์อย่างสม่ำเสมอเมื่อมีข้อมูลใหม่เข้ามา
- การสร้างเฟรมเวิร์กไว้ก่อนที่ผลกระทบของ AI จะชัดเจน ทำให้สามารถ ระบุความปั่นป่วนทางเศรษฐกิจได้อย่างน่าเชื่อถือกว่าการวิเคราะห์ย้อนหลัง
การอนุมานเชิงสาเหตุและเกณฑ์เปรียบเทียบ (Counterfactuals)
- ในกรณีที่ผลกระทบใหญ่และเกิดขึ้นรวดเร็วอย่าง COVID-19 การอนุมานเชิงสาเหตุทำได้ง่ายกว่า แต่ผลกระทบของ AI อาจไม่ปรากฏชัดในข้อมูลรวมทันที เช่นเดียวกับการแพร่กระจายของอินเทอร์เน็ตหรือแรงกระแทกจากการค้าจีน
- แนวทางทั่วไปคือเปรียบเทียบผลลัพธ์ของกลุ่มอาชีพที่มีระดับการเปิดรับ AI สูงกับกลุ่มที่ต่ำ เพื่อแยกผลของ AI ออกจากตัวแปรกวน
- งานวิจัยนี้ก็ใช้ แนวทางแบบอิง task โดยรวมค่าความสามารถเชิงทฤษฎีของ AI กับข้อมูลการใช้งานจริงแล้วสรุประดับอาชีพ
วิธีวัด exposure
- รวมข้อมูลจาก 3 แหล่ง:
- ฐานข้อมูล O*NET: รายการ task งานของอาชีพราว 800 อาชีพในสหรัฐ
- ข้อมูลการใช้งาน Claude จริงจาก Anthropic Economic Index
- ค่าประเมิน exposure เชิงทฤษฎีราย task (β) จาก Eloundou et al. (2023): ถ้า LLM ช่วยให้งานเร็วขึ้นมากกว่า 2 เท่าให้ค่า 1, ถ้าต้องใช้เครื่องมือเพิ่มเติมให้ 0.5, ถ้าทำไม่ได้ให้ 0
- เหตุผลที่ task ซึ่งทำได้ในทางทฤษฎีอาจไม่ปรากฏในการใช้งานจริง ได้แก่ ข้อจำกัดของโมเดล ข้อกำหนดทางกฎหมาย ความต้องการด้านซอฟต์แวร์ หรือขั้นตอนการตรวจสอบโดยมนุษย์
- ตัวอย่าง: “ส่งข้อมูลใบสั่งยาไปยังร้านขายยาและอนุมัติการสั่งยาซ้ำ” มีค่า exposure เชิงทฤษฎี β=1 แต่ไม่พบในการใช้งาน Claude จริง
- exposure เชิงทฤษฎีกับการใช้งานจริงมีความสัมพันธ์กันสูง โดย 97% ของ task ที่สังเกตได้ใน Economic Index ทั้ง 4 ฉบับก่อนหน้า อยู่ในกลุ่ม β=0.5 หรือ β=1
ดัชนี observed exposure
- observed exposure คือการวัดเชิงปริมาณของสัดส่วน task ที่ LLM สามารถเร่งความเร็วได้ในทางทฤษฎี และถูกใช้งานจริงใน รูปแบบอัตโนมัติ ในสภาพแวดล้อมการทำงาน
- เงื่อนไขที่ทำให้ exposure ของอาชีพสูงขึ้น:
- task นั้นเป็นสิ่งที่ AI ทำได้ในทางทฤษฎีและมีความถี่การใช้งานอย่างมีนัยสำคัญใน Anthropic Economic Index
- ถูกใช้ในบริบทที่เกี่ยวข้องกับงาน
- มีสัดส่วนการทำงานอัตโนมัติสูง หรือถูกนำไปใช้ผ่าน API (งานอัตโนมัติให้น้ำหนักเต็ม ส่วนการใช้แบบเสริมงานให้น้ำหนักครึ่งหนึ่ง)
- task ที่ได้รับผลจาก AI มีสัดส่วนใหญ่ในหน้าที่งานทั้งหมด
- ความต่างระหว่าง theoretical coverage (สีน้ำเงิน) กับ observed exposure จริง (สีแดง) มีขนาดใหญ่ และ AI ยังอยู่ในระดับที่ต่ำกว่าความสามารถตามทฤษฎีมาก
- สายงาน Computer & Math: theoretical coverage 94%, actual coverage 33%
- สายงาน Office & Admin: theoretical coverage 90%
กลุ่มอาชีพที่มี exposure สูงที่สุด
- 3 อันดับแรกจาก 10 อาชีพที่มี observed exposure สูงสุด:
- Computer Programmers: coverage 75% (มีการใช้ Claude กับงานเขียนโค้ดอย่างกว้างขวาง)
- Customer Service Representatives: task หลักในทราฟฟิก API ของ first-party มีแนวโน้มเพิ่มขึ้น
- Data Entry Keyers: เห็นการทำงานอัตโนมัติเด่นชัดใน task หลักอย่างการอ่านเอกสารต้นทางและกรอกข้อมูล โดยมี coverage 67%
- แรงงานทั้งหมด 30% มี coverage เท่ากับ 0 หมายความว่า task ยังไม่ถึงเกณฑ์ขั้นต่ำ
- ตัวอย่างกลุ่มนี้: พ่อครัว ช่างซ่อมมอเตอร์ไซค์ เจ้าหน้าที่ไลฟ์การ์ด บาร์เทนเดอร์ พนักงานล้างจาน พนักงานห้องแต่งตัว
ความสัมพันธ์ระหว่าง exposure กับแนวโน้มการจ้างงานของ BLS
- เมื่อเปรียบเทียบ observed exposure กับแนวโน้มการเติบโตของการจ้างงานรายอาชีพของ BLS ช่วงปี 2024–2034 พบว่า ยิ่ง exposure สูง แนวโน้มการเติบโตยิ่งอ่อนลง
- เมื่อ coverage เพิ่มขึ้น 10%p แนวโน้มการเติบโตของ BLS จะ ลดลง 0.6%p (อิงการถดถอยแบบถ่วงน้ำหนักตามระดับการจ้างงาน)
- หากใช้เพียงดัชนี β เชิงทฤษฎีของ Eloundou et al. จะไม่พบความสัมพันธ์นี้ → ชี้ว่า observed exposure เป็นตัวชี้วัดคาดการณ์ที่มีประสิทธิภาพมากกว่าอย่างอิสระ
ลักษณะประชากรของผู้ทำงานในสายงาน exposure สูง
- เมื่อเปรียบเทียบช่วงก่อนเปิดตัว ChatGPT (สิงหาคม–ตุลาคม 2022) ระหว่างกลุ่ม exposure สูงสุด 25% กับกลุ่ม exposure 0%:
- กลุ่ม exposure สูงมีโอกาสเป็นผู้หญิงมากกว่า 16%p
- มีโอกาสเป็นคนผิวขาวมากกว่า 11%p และมีโอกาสเป็นชาวเอเชียราว 2 เท่า
- ค่าจ้างเฉลี่ย สูงกว่า 47%
- สัดส่วนผู้จบปริญญาโทหรือสูงกว่า: กลุ่มไม่ถูกเปิดรับ 4.5% เทียบกับกลุ่ม exposure สูง 17.4% (ต่างกันราว 4 เท่า)
ผลการวิเคราะห์อัตราว่างงาน
- เหตุผลที่เลือก อัตราว่างงาน เป็นตัวชี้วัดหลักของการวิเคราะห์: เพราะสะท้อนภาวะที่คนต้องการทำงานแต่หางานไม่ได้ได้ตรงที่สุด
- เมื่อดูแนวโน้มอัตราว่างงานตั้งแต่ปี 2016 เป็นต้นมา ช่วง COVID-19 กลุ่มที่ไม่ถูกเปิดรับ (ซึ่งมีสัดส่วนงานที่ต้องพบปะผู้คนสูง) มีอัตราว่างงานเพิ่มขึ้นมากกว่าอย่างชัดเจน
- หลังการเปิดตัว ChatGPT การเปลี่ยนแปลงอัตราว่างงานของกลุ่ม exposure สูง ไม่มีนัยสำคัญทางสถิติ (เพิ่มขึ้นเล็กน้อยแต่ยังไม่ต่างจาก 0 อย่างชัดเจน)
- ตัวอย่างสถานการณ์ที่เฟรมเวิร์กนี้สามารถตรวจจับได้:
- หากแรงงาน 10% แรกถูกเลิกจ้างทั้งหมด อัตราว่างงานของกลุ่มนั้นจะเพิ่มจาก 3% → 43% และอัตราว่างงานรวมจะเพิ่มจาก 4% → 13%
- สถานการณ์ “white-collar recession” (อัตราว่างงานของกลุ่มบน 25% เพิ่มจาก 3% → 6% หรือเพิ่มเป็นสองเท่า) ก็สามารถตรวจจับได้ด้วยการวิเคราะห์นี้
สัญญาณการชะลอตัวของการจ้างงานคนอายุน้อย
- Brynjolfsson et al. (2025) วิเคราะห์ว่า การจ้างงานในสายงาน exposure สูงของแรงงานอายุ 22–25 ปี ลดลง 6–16% และสาเหตุหลักมาจาก การรับคนลดลง มากกว่าการเลิกจ้างเพิ่มขึ้น
- ในงานวิจัยนี้ อัตราว่างงานของคนอายุน้อยในสายงาน exposure สูงยังทรงตัว
- การรับคนลดลงอาจไม่สะท้อนในอัตราว่างงาน เพราะผู้เข้าสู่ตลาดแรงงานใหม่จำนวนมากอาจยังไม่ได้ลงทะเบียนอาชีพใน CPS หรืออาจออกจากตลาดแรงงานไปเลย
- ใช้ข้อมูลพาเนล CPS ติดตาม อัตราการได้งานใหม่ของคนอายุ 22–25 ปี โดยแยกตามสายงาน exposure สูง/ต่ำ
- ตั้งแต่ปี 2024 การเข้าสู่สายงาน exposure สูงเริ่มลดลงอย่างเห็นได้ด้วยตา
- อัตราการได้งานรายเดือนของสายงาน exposure ต่ำทรงตัวที่ 2% แต่การเข้าสู่สายงาน exposure สูงลดลงราว 0.5%p
- ค่าประมาณเฉลี่ยในช่วงหลัง ChatGPT: อัตราการได้งานในสายงาน exposure สูง ลดลง 14% เมื่อเทียบกับปี 2022 (อยู่ในระดับที่เพิ่งมีนัยสำคัญทางสถิติ)
- ไม่พบการลดลงลักษณะนี้ในแรงงานอายุมากกว่า 25 ปี
- อย่างไรก็ดี ยังมีคำอธิบายทางเลือกได้เช่นกัน: คนหนุ่มสาวที่ไม่ได้รับการจ้างงานอาจเลือกอยู่ที่งานเดิม เปลี่ยนไปทำอาชีพอื่น หรือกลับไปเรียนต่อ
ข้อจำกัดของงานวิจัยและแผนในอนาคต
- ดัชนีของ Eloundou et al. ที่ใช้อยู่ในปัจจุบันยังอิงความสามารถของ LLM ช่วงต้นปี 2023 จึงจำเป็นต้องอัปเดต
- ในอนาคตมีแผนจะสะท้อนข้อมูลการใช้งาน Claude อย่างต่อเนื่อง เพื่ออัปเดตแนวโน้ม coverage ราย task และรายอาชีพ
- งานติดตามต่อที่สำคัญคือการดูว่า บัณฑิตจบใหม่ ที่มีวุฒิในสาขา exposure สูง ตอบสนองต่อตลาดแรงงานอย่างไร
- เฟรมเวิร์กนี้สามารถขยายไปใช้กับข้อมูลการใช้งานชุดอื่นและบริบทของประเทศอื่นได้
1 ความคิดเห็น
ความเห็นจาก Hacker News
ฉันทำงานใน Big Tech มา 10 ปี ก่อนจะลาออกเมื่อเดือนที่แล้ว
พอได้ทำงานนอกบริษัทแล้ว รู้สึกว่าประสิทธิภาพเพิ่มขึ้นเหมือน 50 เท่า
ถ้ามองผลของ AI ต่อประสิทธิภาพการทำงาน LLM เก่งเรื่อง (1) เขียนโค้ด boilerplate, (2) แปลงโค้ดข้ามภาษา, (3) เรียนรู้แนวคิดใหม่และสรุปให้, (4) งานง่าย ๆ อย่างการทำเอกสาร
แต่ในองค์กรใหญ่ งานแบบนี้ไม่ได้เกิดขึ้นบ่อยนัก ส่วนใหญ่หมดเวลาไปกับการประชุมและการรวมระบบ
AI ช่วยได้จริงก็แค่ตอนแฮกกาธอน นอกนั้นกลับกลายเป็นว่างานเพิ่มขึ้น
ตรงกันข้าม ตอนทำงานอย่างอิสระกลับรู้สึกถึง การเพิ่มประสิทธิภาพ อย่างมากทั้งสี่ด้าน และก็กังวลเรื่องกฎหมายหรือบั๊กตอน deploy น้อยกว่า
สุดท้ายแล้ว AI จะเป็นตัวเปลี่ยนเกมหรือไม่ ก็ขึ้นอยู่กับว่า “ใครเป็นคนใช้”
แต่ถ้าให้ AI มี root access กับชีวิตคุณ ก็มีแต่จะผิดหวัง AI ต้องอยู่ภายใต้ การควบคุมของสถาปนิกระบบ เสมอ
ฉันให้ AI ช่วยร่างอีเมล แต่กดส่งเอง อนุญาตให้เข้าถึงข้อมูลได้ แต่การตัดสินใจสุดท้ายเป็นของฉัน
บทเรียนจากสมัย MongoDB ทำให้ฉันระวังเทคโนโลยีใหม่มากขึ้น ตอนนี้เลยสร้าง wrapper เองด้วย Elixir และทำระบบอัตโนมัติด้วย Ash framework กับ Phoenix
ฉันใช้หลายโมเดลแบบขนานกัน เพื่อไม่ให้บริษัทเดียวรู้ข้อมูลของฉันทั้งหมด โจทย์จริงคือ ความเป็นส่วนตัว
แต่ในองค์กรใหญ่ การเขียนโค้ดมีแค่ประมาณ 20% ของงานทั้งหมด อีก 80% ที่เหลือยังคงเป็นคอขวด
สำหรับคนที่บอกว่าไม่ได้รู้สึกว่าประสิทธิภาพดีขึ้นจาก AI ฉันอยากถามว่าติดตรงไหน?
ฉันอธิบาย workflow ไว้ในคอมเมนต์ก่อนหน้าแล้ว และแม้แต่ใน legacy codebase ก็ยังลดขั้นตอนได้ครึ่งหนึ่ง
ตอนนี้แทบไม่ได้เขียนโค้ดเองแล้ว แค่รีวิวการเปลี่ยนแปลงที่ LLM เสนอมา ผลลัพธ์ดีจนน่ากลัว
ถ้างานเร็วขึ้น ก็ทำงานให้มากขึ้นได้ เราคืนผลกำไรให้ชุมชนและสร้าง คุณค่าที่จับต้องได้
แต่พอเป็นโค้ดซับซ้อนกลับนำไปสู่ คุณภาพที่แย่ลง ถ้าต้องการโค้ดที่ดูแลรักษาได้ การทำเองยังดีกว่า
ช่วง implement แรก ๆ เร็วก็จริง แต่ดูเหมือนขั้นตอน debug จะกินเวลานานกว่ามาก
มันไม่ทำตามคำสั่ง แล้วยังจัดโครงสร้างโค้ดเละเทะ จนต้นทุนเพิ่มขึ้น 5 เท่า
ถึงอย่างนั้นก็มีคนบอกว่าหลังเดือนธันวาคมมันดีขึ้นแล้ว เลยว่าจะลองใหม่
มันยังอยู่แค่ระดับตัวแทน Stack Overflow เท่านั้น
ฉันดูแลงาน operations และ maintenance มากกว่าการเขียนโค้ด
จนถึงตอนนี้ AI แทบไม่มีผลกับงานของฉันเลย ตรงกันข้าม Docker กลับเปลี่ยนอะไรได้มากกว่ามาก
มันยังสร้างฟังก์ชันพื้นฐานผิด และมีข้อผิดพลาดเชิงตรรกะบ่อย
เทคโนโลยีอย่าง cloud, Terraform, Ansible เปลี่ยนเกมมากกว่ามาก
ตามบทความในวิกิ คือช่วงที่เห็นเทคโนโลยีชัดเจน แต่ยังไม่สะท้อนในสถิติ
ตอนนี้ถึงขั้นกำลังพิจารณา ลดจำนวน PM และ engineering manager แล้ว นี่คือการเปลี่ยนแปลงใหญ่ที่สุดในอาชีพ 35 ปีของฉัน
เพราะเป็น NGO เล็ก ๆ AI ทำให้เราทำงานได้มากขึ้นด้วยเงินเท่าเดิม และยังช่วยให้ ความเร็วในการเรียนรู้และคุณภาพ ดีขึ้นด้วย
แต่งานไม่ได้ลดลงเลย กลับยิ่งมีงานให้ทำมากขึ้น
ในฐานะนักพัฒนา productivity ของฉันเพิ่มขึ้นสองเท่า แต่ ปริมาณงานเท่าเดิม
เพราะความคาดหวังสูงขึ้นตามไปด้วย สุดท้ายจึงเป็นแค่ การบีบตารางเวลาให้แน่นขึ้น
โปรเจกต์ที่กำลังทำอยู่ตอนนี้มีขนาดระดับที่ ถ้าไม่มี AI ก็คงไม่กล้าเริ่มด้วยซ้ำ
แต่ถึงอย่างนั้นฉันก็ยังไม่ไว้ใจผลลัพธ์ของ LLM แบบเต็มร้อย แม้แต่รัน SwiftLint ก็ยังกลัว
ถึงอย่างนั้นความเร็วของโปรเจกต์ก็เพิ่มขึ้นมหาศาล ของที่เมื่อก่อนต้องใช้เวลา 2 ปี ตอนนี้แค่เดือนเดียวก็ทำไปเกินครึ่งแล้ว
ฉันมองว่าผลกระทบจริงของ AI ยังไม่มาก
คนที่ใช้ AI เก่งอาจ productive ขึ้นนิดหน่อย แต่ถ้าแสดงออกให้เห็น งานจะเพิ่มขึ้น 10 เท่า
การเปลี่ยนแปลงจริงอยู่ที่ นักพัฒนาอินดี้หรือฟรีแลนซ์ มากกว่า
ฉัน ไม่เชื่อ คำพูดของบริษัทที่ขายผลิตภัณฑ์ AI
เพื่อนร่วมงานในฝ่ายการตลาดใช้ LLM ที่บริษัทอนุมัติให้ (Gemini) ทำแค่ งานปลอม ๆ
ส่วนงานจริงกลับไปทำด้วย Claude ในบัญชีส่วนตัว
เพราะกลัวว่าบริษัทจะเก็บ prompt ไปใช้ ฝึกโมเดลที่จะมาแทนตัวเอง
บริษัท หยุดรับจูเนียร์ แล้ว
ตอนนี้เอางานที่พวกเขาเคยทำไปให้ AI ทำมีประสิทธิภาพกว่า
แต่ก็น่าจะเป็นแค่ช่วงปรับตัวชั่วคราว ในอนาคตเมื่อ รูปแบบของความเชี่ยวชาญ เปลี่ยนไป ก็น่าจะกลับมารับอีกครั้ง
ปัญหาไม่ใช่ AI แต่เป็นปัจจัยเศรษฐกิจมหภาคอย่าง โครงสร้างรายได้ มากกว่า
มีข้อสงสัยว่าเขาแค่ประเมินอิทธิพลจาก ความถี่ในการปรากฏใน Claude logs หรือเปล่า
ถ้าใช่ มันก็เหมือน พ่อค้าขายน้ำมันงู ไปสำรวจลูกค้าตัวเองแล้วสรุปว่า “ไม่ต้องมีหมอก็ได้”
การตีความข้อมูลตั้งอยู่บนสมมติฐานที่ บิดเบี้ยวอย่างสิ้นเชิง