ข้ามไปยังเนื้อหา
The AI Teacher
← บทความทั้งหมด

AI กับการเพิ่มประสิทธิภาพการทำงาน: หลักฐาน ข้อจำกัด และเส้นแบ่งที่มองไม่เห็น

เข้าชม 3 ครั้ง

หมวด: AI กับการทำงาน
แท็ก: ผลิตภาพ, Generative AI, Knowledge Work, การคิดเชิงวิพากษ์, แรงงาน

หมายเหตุการตรวจสอบ: ข้อมูลบรรณานุกรมและ DOI ตรวจสอบกับ Crossref หรือ DataCite เมื่อเดือนพฤศจิกายน พ.ศ. 2569 สรุปผลวิจัยมาจากบทคัดย่อ ยังไม่ได้ตรวจกับเอกสารฉบับเต็ม หัวข้อการวิเคราะห์และข้อเสนอแนะเป็นความเห็นของผู้เขียน ไม่ใช่ผลวิจัย

บทนำ

องค์กรจำนวนมากลงทุนกับ Generative AI ด้วยความคาดหวังว่าพนักงานจะทำงานได้เร็วขึ้น คำถามคือหลักฐานบอกอะไร งานใดได้ประโยชน์ งานใดเสี่ยง และประโยชน์ระดับงานจะกลายเป็นประโยชน์ระดับองค์กรหรือเศรษฐกิจได้เพียงใด

บทความนี้ทบทวนงานทดลองและงานเชิงสังเกตที่สำคัญ โดยชี้ให้เห็นว่าผลลัพธ์มีความแตกต่างกันมาก คำกล่าวทั่วไปว่า AI เพิ่มผลิตภาพร้อยละเท่านั้นเท่านี้จึงมักละเลยเงื่อนไขของการศึกษา

แนวคิดสำคัญ

ผลิตภาพระดับงานกับระดับองค์กร

ผลิตภาพในการศึกษาส่วนใหญ่วัดในระดับงาน เช่น เวลาที่ใช้หรือจำนวนงานต่อชั่วโมง แต่ผลต่อองค์กรขึ้นกับว่าเวลาที่ประหยัดถูกนำไปใช้อย่างไร ผู้เขียนจึงแยกสองระดับนี้ในการอ่านหลักฐาน

Jagged Technological Frontier

Dell'Acqua et al. (2023) เสนอแนวคิด เส้นพรมแดนเทคโนโลยีที่ขรุขระ เพื่ออธิบายว่าความสามารถของ AI ไม่ได้ไล่ระดับตามความยากของงานอย่างที่คนคาดเดา งานที่ดูคล้ายกันอาจอยู่คนละฝั่งของเส้นแบ่ง ผู้ใช้จึงต้องรู้ว่างานของตนอยู่ฝั่งใด

ความเกี่ยวข้องของงานกับ AI

Eloundou et al. (2024) เสนอกรอบประเมินความเกี่ยวข้องของงานต่าง ๆ กับแบบจำลองภาษา และประมาณว่าราวร้อยละ 1.8 ของอาชีพอาจมีงานมากกว่าครึ่งได้รับผลจาก LLM ที่มีอินเทอร์เฟซเรียบง่าย แต่เมื่อรวมซอฟต์แวร์เสริมที่กำลังพัฒนา สัดส่วนเพิ่มเป็นกว่าร้อยละ 46 ต้องเน้นว่านี่คือการประเมินศักยภาพ ไม่ใช่การวัดผลที่เกิดขึ้นจริง

ผลวิจัยที่ตรวจสอบได้

งานเขียนวิชาชีพ

การทดลองออนไลน์ที่ลงทะเบียนล่วงหน้าของ Noy และ Zhang (2023) กับผู้มีวุฒิระดับปริญญา 453 คน รายงานว่าเวลาเฉลี่ยลดลงร้อยละ 40 และคุณภาพผลงานเพิ่มขึ้นร้อยละ 18 ความเหลื่อมล้ำระหว่างผู้ทำงานลดลง

งานบริการลูกค้า

Brynjolfsson et al. (2025) ศึกษาการทยอยนำผู้ช่วย AI มาใช้กับพนักงานบริการลูกค้า 5,172 คน พบว่าจำนวนเรื่องที่แก้ไขต่อชั่วโมงเพิ่มขึ้นเฉลี่ยร้อยละ 15 โดยแตกต่างกันมาก พนักงานประสบการณ์น้อยได้ประโยชน์ทั้งความเร็วและคุณภาพ ส่วนผู้มีทักษะสูงสุดได้ความเร็วเล็กน้อยและคุณภาพลดลงเล็กน้อย

งานความรู้ซับซ้อน: ผลบวกและผลลบในการศึกษาเดียว

ในเอกสารทำงาน Dell'Acqua et al. (2023) รายงานว่าในงานที่อยู่ภายในขอบเขตความสามารถของ AI ผู้ใช้ AI ทำงานได้มากขึ้นร้อยละ 12.2 เร็วขึ้นร้อยละ 25.1 และคุณภาพดีขึ้นอย่างมีนัยสำคัญ แต่ในงานบริหารที่ซับซ้อนซึ่งเลือกให้อยู่นอกขอบเขต ผู้ใช้ AI มีโอกาสได้คำตอบถูกต้องน้อยกว่าผู้ไม่ใช้ร้อยละ 19

ผลต่อการคิดเชิงวิพากษ์

Lee et al. (2025) สำรวจผู้ทำงานความรู้ 319 คน รวม 936 ตัวอย่าง พบว่าความมั่นใจใน GenAI ที่สูงกว่าสัมพันธ์กับการคิดเชิงวิพากษ์ที่น้อยกว่า ส่วนความมั่นใจในตนเองที่สูงกว่าสัมพันธ์กับการคิดเชิงวิพากษ์ที่มากกว่า และ GenAI เปลี่ยนลักษณะการคิดไปสู่การตรวจสอบข้อมูล การบูรณาการคำตอบ และการกำกับงาน งานนี้เป็นการรายงานตนเองจึงไม่พิสูจน์เหตุและผล

ภาพนอกห้องทดลอง

Hui et al. (2024) ศึกษาฟรีแลนซ์บนแพลตฟอร์มออนไลน์ พบว่าผู้ที่อยู่ในอาชีพที่ได้รับผลกระทบสูงมีการจ้างงานและรายได้ลดลงหลังการมาถึงของ Generative AI และยังมีหลักฐานเชิงบ่งชี้ว่าฟรีแลนซ์ระดับบนได้รับผลมากกว่า

ในระดับมหภาค Acemoglu (2025) ใช้แบบจำลองงานและประมาณว่าผลต่อผลิตภาพรวมในอีก 10 ปีอาจไม่เกินร้อยละ 0.66 และอาจน้อยกว่าร้อยละ 0.53 เมื่อพิจารณางานที่เรียนรู้ได้ยาก ตัวเลขนี้เป็นผลจากแบบจำลอง และสะท้อนความเห็นที่ระมัดระวังกว่ากระแสทั่วไป

การวิเคราะห์ของผู้เขียน

ผู้เขียนเห็นว่าข้อค้นพบที่ควรจำมากกว่าตัวเลข คือความแตกต่างของผล งานที่นิยามชัดและตรวจผลได้มักได้ประโยชน์ ส่วนงานที่ต้องบูรณาการหลักฐานซับซ้อนอาจเกิดความผิดพลาดที่ดูน่าเชื่อ นอกจากนี้ ผลบวกต่อผู้มีประสบการณ์น้อยในบางงานไม่ควรตีความว่าการฝึกทักษะพื้นฐานไม่จำเป็น เพราะการตรวจผลลัพธ์ยังต้องอาศัยความรู้ ช่องว่างระหว่างตัวเลขระดับงานกับระดับมหภาคเตือนว่า การนำเครื่องมือมาใช้เพียงอย่างเดียวอาจไม่เปลี่ยนผลลัพธ์ขององค์กร

การประยุกต์ใช้: ข้อเสนอแนะของผู้เขียน

  • ทำแผนที่งาน: แยกงานเป็นกลุ่มที่ AI ช่วยได้ ต้องตรวจเข้ม และไม่ควรใช้

  • ทดลองนำร่องและวัดจริง: เก็บเวลา คุณภาพ และอัตราการแก้ไขก่อนและหลังใช้ AI

  • กำหนดผู้รับผิดชอบผลงาน: ผู้ส่งงานต้องรับผิดชอบเนื้อหาไม่ว่าใช้ AI หรือไม่

  • ฝึกการตรวจสอบ: สอนให้ตั้งคำถามกับผลลัพธ์ โดยเฉพาะตัวเลข กฎหมาย และเรื่องที่มีผลกระทบสูง

  • รักษาทักษะหลัก: ให้พนักงานใหม่ยังฝึกงานแกนหลักด้วยตนเอง

ผู้ที่ต้องการเริ่มต้นสามารถดูคอร์สออนไลน์และเครื่องมือ AI โดยเลือกให้ตรงกับงานจริง

ข้อจำกัด

บทความนี้อ่านจากบทคัดย่อ งานของ Dell'Acqua et al. (2023) เป็นเอกสารทำงานใน SSRN กลุ่มตัวอย่างมาจากบริบทเฉพาะ และเครื่องมือในการศึกษาปี 2023 เปลี่ยนไปมากแล้ว ผลที่วัดในงานสั้นอาจไม่สะท้อนผลระยะยาว และผู้เขียนไม่พบงานทดลองในองค์กรไทยในชุดแหล่งที่ตรวจสอบได้

สรุป

หลักฐานสนับสนุนว่า Generative AI เพิ่มผลิตภาพได้ในงานที่เหมาะสม แต่ผลแตกต่างตามงานและผู้ใช้ และอาจลดความถูกต้องเมื่อใช้นอกขอบเขต องค์กรจึงควรวัดผลในงานของตนเอง รักษาการตรวจสอบโดยมนุษย์ และไม่ใช้ตัวเลขจากงานวิจัยต่างบริบทเป็นคำสัญญาของผลลัพธ์

เอกสารอ้างอิง

Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121), 13–58. https://doi.org/10.1093/epolic/eiae042

Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

Dell'Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality [Preprint]. SSRN. https://doi.org/10.2139/ssrn.4573321

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. https://doi.org/10.1126/science.adj0998

Hui, X., Reshef, O., & Zhou, L. (2024). The short-term effects of generative artificial intelligence on employment: Evidence from an online labor market. Organization Science, 35(6), 1977–1989. https://doi.org/10.1287/orsc.2023.18441

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (pp. 1–22). ACM. https://doi.org/10.1145/3706598.3713778

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586

บทความอื่น ๆ

ภาพประกอบบทความ จาก Digital Literacy สู่ AI Literacy และ Synthetic Literacy: ทักษะการรู้เท่าทันในยุคสื่อที่ AI สร้างได้
เข้าชม 8 ครั้ง

จาก Digital Literacy สู่ AI Literacy และ Synthetic Literacy: ทักษะการรู้เท่าทันในยุคสื่อที่ AI สร้างได้

บทความทบทวนว่าการรู้ดิจิทัลขยายไปสู่การรู้เท่าทัน AI และสื่อสังเคราะห์อย่างไร งานวิจัยบอกอะไรได้บ้าง และเหตุใดการวัดทักษะเหล่านี้จึงยังเป็นโจทย์สำคัญ

ภาพประกอบบทความ Generative AI กับการจัดการเรียนรู้: โอกาส ความเสี่ยง และสิ่งที่งานวิจัยเตือน
เข้าชม 4 ครั้ง

Generative AI กับการจัดการเรียนรู้: โอกาส ความเสี่ยง และสิ่งที่งานวิจัยเตือน

คะแนนที่ดีขึ้นขณะใช้ AI ไม่ได้แปลว่าผู้เรียนเรียนรู้มากขึ้นเสมอไป บทความนี้ทบทวนงานวิจัยว่าการออกแบบการใช้ Generative AI ส่งผลต่อการเรียนรู้อย่างไร

ภาพประกอบบทความ AI กับการวัดและประเมินผลการศึกษา: ความแม่นยำ ความเป็นธรรม และบทบาทของครู
เข้าชม 7 ครั้ง

AI กับการวัดและประเมินผลการศึกษา: ความแม่นยำ ความเป็นธรรม และบทบาทของครู

AI ให้ข้อมูลป้อนกลับและช่วยให้คะแนนได้ แต่เครื่องมือตรวจจับงานจาก AI มีข้อจำกัดและอาจไม่เป็นธรรม บทความนี้สรุปหลักฐานและบทบาทของครูในการประเมิน