top of page
ทีม HR และผู้บริหารกำลังเปรียบเทียบข้อเสนอหลักสูตรอบรม AI

วิธีเลือกหลักสูตรอบรม AI ให้พนักงาน: 7 คำถามก่อนจ้าง

11 ชั่วโมงที่ผ่านมา
ยาว 7 นาที

ประเด็นสำคัญ

  • กรอบ A/B (Deploy ไม่เท่ากับ Reshape): แบบ A แจกเครื่องมือให้คนเก่งขึ้น แบบ B ออกแบบงานใหม่ 80% ทำงานได้มากขึ้น แต่แค่ 37% เห็นผลถึงกำไร [1] อ่านต่อ ↓

  • แบบ A ใช้เวลาเท่าไร: เวิร์กช็อป 1 ถึง 2 วัน แล้วมีโค้ช 2 ถึง 4 สัปดาห์ คนที่อบรมเกิน 5 ชั่วโมงใช้ประจำ 79% เทียบกับ 67% [2] อ่านต่อ ↓

  • แบบ B ใช้เวลาเท่าไร: โครงการ 6 ถึง 12 สัปดาห์ งานมักช้าลงก่อนดีขึ้น ตัดสินใจขยายหรือหยุดที่ 60 ถึง 90 วัน [3] อ่านต่อ ↓

  • ถามผู้ให้บริการ 7 ข้อ: วิทยากรเคยทำงานจริงไหม ใช้งานของทีมคุณไหม ลงมือทำกี่เปอร์เซ็นต์ และวัดผลอย่างไร ใช้ตารางคะแนนเต็ม 14 เทียบทุกเจ้า อ่านต่อ ↓

  • วัดจากงานจริง ไม่ใช่ความรู้สึก: นักพัฒนาที่ใช้ AI ช้าลง 19% ทั้งที่รู้สึกว่าเร็วขึ้น 20% ให้จับเวลาต่องานก่อนและหลังอบรม [4] อ่านต่อ ↓

  • ค่าอบรมลดหย่อนได้: บริษัทอาจหักค่าฝึกอบรมลูกจ้างได้ 200% ตามพระราชกฤษฎีกาฉบับที่ 437 ตรวจเงื่อนไขกับฝ่ายบัญชีก่อนเซ็น [5] อ่านต่อ ↓




ส่งพนักงานไปอบรม AI ครบทั้งบริษัท แล้วกำไรขยับไหม?


ส่วนใหญ่… ไม่ครับ


คนเก่งขึ้นจริง ทำงานเร็วขึ้นจริง

80% บอกว่าตัวเองทำงานได้มากขึ้น แต่มีแค่ 37% ที่เห็นผลถึงกำไร [1]


แล้วอีก 43% หายไปไหน?


เรื่องนี้เคยเกิดมาแล้วครับ ตอนโลกเปลี่ยนจากไอน้ำมาใช้ไฟฟ้า

โรงงานแค่ถอดเครื่องจักรไอน้ำออกแล้วใส่มอเตอร์แทน (ผังโรงงานเหมือนเดิมเป๊ะ)

ต้องรอให้โรงงานจัดผังใหม่ทั้งระบบ ผลิตภาพถึงจะพุ่งจริง และใช้เวลาหลายสิบปี [6]


ประเด็นไม่ใช่ "คนเก่งพอหรือยัง"

ประเด็นคือ "งานถูกออกแบบใหม่หรือยัง"


บทความนี้เขียนให้ HR ฝ่ายพัฒนาบุคลากร และผู้บริหารที่กำลังเทียบผู้ให้บริการหลายเจ้า

แต่ก่อนเทียบใคร ต้องตอบคำถามหนึ่งข้อให้ได้ก่อน



คำถามแรก: อบรมให้คนเก่งขึ้น (A) หรือให้งานทั้งเส้นเปลี่ยน (B)

แบบ A: อบรมเพื่อเพิ่มผลงานรายคน

แต่ละคนใช้ ChatGPT, Claude, Gemini หรือ Copilot กับงานของตัวเองให้เร็วขึ้นและดีขึ้น

สรุปรายงาน ร่างอีเมล วิเคราะห์ตัวเลขในไฟล์ เตรียมสไลด์


ขั้นตอนงานของทีมยังเหมือนเดิมทุกอย่าง

แค่แต่ละคนทำส่วนของตัวเองเสร็จเร็วขึ้น


แบบ B: อบรมเพื่อออกแบบกระบวนการใหม่

ทีมมองงานทั้งเส้น ตั้งแต่รับเรื่องจนส่งมอบ

แล้วถามว่า "ถ้ามี AI ตั้งแต่วันแรก ขั้นตอนไหนควรตัดทิ้ง รวมกัน ย้ายไปให้ AI ทำ หรือเปลี่ยนคนรับผิดชอบ?"


ผลลัพธ์ของแบบ B ไม่ใช่ "คนที่ใช้ AI เก่ง"

แต่คือขั้นตอนงานแบบใหม่ ที่มีเจ้าของ มีตัวชี้วัด และใช้จริง


ฟังดูเหมือนเรื่องระดับง่ายกับยากใช่ไหมครับ?

ไม่ใช่ครับ มันคนละเกมเลย


คนใช้ AI กันแพร่หลายแล้ว แต่กำไรยังไม่ขยับ

ในการสำรวจ 1,719 คนใน 97 ประเทศ คนที่บอกว่า AI สร้างกำไรจากการดำเนินงานอย่างน้อย 5% และส่งผลชัดเจน มีแค่ราว 6% [1]


สิ่งที่แยกกลุ่มที่ได้ผลออกมา คือการออกแบบงานใหม่

จาก 25 ปัจจัยที่ทดสอบ การออกแบบขั้นตอนงานใหม่สัมพันธ์กับผลต่อกำไรมากที่สุด แต่มีแค่ 21% ขององค์กรที่ใช้ AI ที่ทำแล้วในบางกระบวนการ [7]

ปีถัดมา กลุ่มที่ได้ผลสูงเกือบ 75% ออกแบบงานใหม่ เทียบกับราว 25% ของกลุ่มอื่น [1]


แจกเครื่องมือ ไม่เท่ากับ ออกแบบงานใหม่ (Deploy ไม่เท่ากับ Reshape)

สองคำนี้มีคนตั้งชื่อไว้แล้ว Deploy คือแจกเครื่องมือให้ใช้ Reshape คือออกแบบงานทั้งเส้นใหม่

ในการสำรวจพนักงาน 10,635 คน 72% บอกว่าองค์กรกำลังแจกเครื่องมือ แต่มีแค่ 50% ที่บอกว่าเริ่มออกแบบงานใหม่แล้ว [2]

พนักงานในองค์กรที่ Reshape ประหยัดเวลาได้มากกว่า ได้อบรมมากกว่า และได้แรงหนุนจากหัวหน้ามากกว่า [2]


ข้อมูลระดับประเทศก็ยังไม่เห็นผลรายคนกลายเป็นตัวเลขรวม

งานที่เชื่อมแบบสำรวจกับรายได้จริงของคนทำงานในเดนมาร์ก พบว่า 2 ปีหลัง ChatGPT เปิดตัว รายได้และชั่วโมงทำงานแทบไม่เปลี่ยน ตัดความเป็นไปได้ที่ผลจะเกิน 2% ออกได้ [8]

สิ่งที่เปลี่ยนก่อนคือโครงสร้างงาน เช่น งานใหม่ด้านตรวจผลลัพธ์ของ AI [8]


แฟร์ ๆ ก่อนนะครับ

ตัวเลขพวกนี้ส่วนใหญ่มาจากผู้ตอบรายงานเอง และบอกแค่ความสัมพันธ์ ไม่ได้พิสูจน์สาเหตุ

แบบจำลองปี 2025 อธิบายความต่างของกำไรได้ราว 20% เท่านั้น [7]


แต่เมื่อหลายแหล่งที่ใช้วิธีต่างกันชี้ไปทางเดียวกัน ข้อสรุปที่ปลอดภัยคือ

อบรมให้คนใช้เครื่องมือเป็น คือจุดเริ่ม ไม่ใช่ปลายทาง


แล้วทำไมหลายองค์กรยังซื้อแบบ A แล้วหวังผลแบบ B?

คำตอบอยู่ในโรงงานเมื่อร้อยกว่าปีก่อน


เปลี่ยนเครื่องยนต์ ไม่เท่ากับ ออกแบบโรงงานใหม่

ลองนึกภาพโรงงานในสหรัฐฯ ช่วงที่มอเตอร์ไฟฟ้าเพิ่งมา


โรงงานถอดเครื่องจักรไอน้ำตัวใหญ่ออก แล้วใส่มอเตอร์ไฟฟ้าตัวใหญ่แทน

สายพาน เพลา และผังโรงงาน เหมือนเดิมทุกอย่าง


ผลผลิตไม่เพิ่ม และเป็นแบบนั้นอยู่หลายสิบปี


ผลผลิตเพิ่มจริงตอนที่โรงงานออกแบบใหม่ทั้งหมด

เครื่องจักรแต่ละตัวมีมอเตอร์ของตัวเอง แล้วจัดผังตามลำดับงาน [6]


แบบ A คือการเปลี่ยนเครื่องยนต์

แบบ B คือการออกแบบโรงงานใหม่


ผลจริงมาช้ากว่าที่วัดได้ (J-curve)

เทคโนโลยีที่ใช้ได้ทุกอุตสาหกรรมต้องมาพร้อมการลงทุนที่มองไม่เห็นในงบดุล เช่น กระบวนการใหม่ ทักษะใหม่ และรูปแบบธุรกิจใหม่

ช่วงที่กำลังลงทุนส่วนนี้ ผลผลิตที่วัดได้มักต่ำกว่าความจริงก่อน แล้วค่อยพุ่งขึ้นทีหลัง เป็นรูปตัว J [9]


ข้อมูลโรงงานในสหรัฐฯ ยุค AI ก็เห็นภาพเดียวกัน

โรงงานที่เริ่มใช้ AI ผลผลิตลดลงในช่วงแรก โดยเฉพาะโรงงานเก่า แต่โรงงานที่เริ่มก่อนโตเร็วกว่าในระยะยาว [3]


บทเรียนมี 2 ข้อ


ข้อแรก แบบ B จะมีช่วงที่งานช้าลงก่อนดีขึ้น

ถ้าวัดผลที่ 30 วันแล้วสรุปว่าไม่คุ้ม อาจหยุดโครงการตรงจุดที่แย่ที่สุดพอดี


ข้อสอง แบบ A ได้ผลเร็วกว่า แต่มีเพดาน

47% ของผู้ใช้ AI ประหยัดเวลาได้มากกว่า 1 ชั่วโมงต่อวัน แต่มีแค่ราว 1 ใน 3 ที่ได้คำแนะนำว่าควรเอาเวลานั้นไปทำอะไร [2]


แล้วชั่วโมงที่ประหยัดได้ไปอยู่ไหน?

ส่วนใหญ่หายไปกับงานอื่น ไม่ได้กลายเป็นต้นทุนที่ลดลง


ตัวเลขดัง ไม่ได้แปลว่าเป็นผลการวัด

มี 2 ตัวเลขที่ถูกอ้างบ่อยจนต้องเตือนกันไว้


ตัวแรกคือกฎ 10-20-70 ที่บอกว่าองค์กรที่ได้ผลจาก AI ใช้แรง 10% กับอัลกอริทึม 20% กับเทคโนโลยีและข้อมูล และ 70% กับคนและกระบวนการ [10]

ตัวเลขนี้เป็นหลักคิดจากประสบการณ์ที่ปรึกษา ไม่ใช่ผลการวัด ใช้เตือนใจได้ แต่อย่าใช้ตั้งงบ


ตัวที่สองคือ "95% ของโครงการ AI ล้มเหลว"

ตัวเลขนี้มาจากผลเบื้องต้นของการสัมภาษณ์ 52 องค์กรและแบบสอบถาม 153 ชุด ผู้เขียนเองบอกว่าเป็นแนวโน้ม ไม่ใช่ข้อมูลทางการเงิน [11]

คำว่า "learning gap" ในรายงานนั้น หมายถึงระบบ AI ที่ไม่จำและไม่ปรับตามงาน ไม่ได้หมายถึงพนักงานที่ขาดการอบรม [11]


ส่วนที่มีประโยชน์จริงคือข้อสังเกตว่า ChatGPT และ Copilot ช่วยผลงานรายคนเป็นหลัก ไม่ใช่กำไร

และระบบที่ฝังในกระบวนการส่วนใหญ่ติดอยู่ เพราะขั้นตอนงานไม่รองรับ [11]


เห็นหลักคิดแล้ว

ตารางนี้แปลงหลักคิดเป็นการตัดสินใจทีละมิติ


A กับ B ต่างกันทุกมิติ ตั้งแต่ใครเข้าห้องจนถึงตัวชี้วัด

มิติ

แบบ A: ผลงานรายบุคคล

แบบ B: ออกแบบกระบวนการใหม่

เป้าหมาย

แต่ละคนทำงานของตัวเองเร็วขึ้น คุณภาพดีขึ้น

ขั้นตอนงานของทีมสั้นลง ต้นทุนต่ำลง หรือคุณภาพดีขึ้นทั้งเส้น

ใครต้องเข้า

พนักงานรายคน แบ่งรุ่นตามสายงาน

ทีมข้ามฝ่ายที่อยู่ในกระบวนการเดียวกัน เจ้าของกระบวนการ หัวหน้าที่มีอำนาจเปลี่ยนขั้นตอน และคนจาก IT หรือทีมข้อมูล

เนื้อหา

การสั่งงาน AI การตรวจคำตอบ งานที่ AI ทำได้ดีและทำพลาด กติกาข้อมูล

การเขียนแผนผังขั้นตอนงาน การหาคอขวด การเลือกจุดที่ AI ควรรับงาน การกำหนดจุดที่คนต้องตรวจ การวัดผล

รูปแบบและเวลา

เวิร์กช็อป 1 ถึง 2 วัน ตามด้วยโค้ชหรือคลินิก 2 ถึง 4 สัปดาห์

โครงการ 6 ถึง 12 สัปดาห์ เริ่มด้วยเวิร์กช็อปออกแบบ แล้วทดลองกับงานจริงเป็นรอบ

งานเตรียมก่อนเริ่ม

รายการงานที่ทำซ้ำทุกสัปดาห์ของแต่ละคน บัญชีเครื่องมือที่องค์กรอนุญาต

แผนผังขั้นตอนงานปัจจุบัน ตัวเลขฐานของเวลาและต้นทุน สิทธิ์เข้าถึงข้อมูลและระบบ เจ้าของกระบวนการที่ตัดสินใจได้

ตัวชี้วัด

เวลาที่ใช้ต่องาน สัดส่วนคนที่ใช้ทุกสัปดาห์ คุณภาพงานตามเกณฑ์ตรวจ

เวลาตั้งแต่รับเรื่องจนจบ ต้นทุนต่อรายการ อัตราผิดพลาดหรือแก้งาน ตัวชี้วัดธุรกิจของกระบวนการนั้น

จุดที่มักพัง

ใช้แค่ช่วงแรกแล้วเลิก งานที่ดูดีแต่ไม่มีเนื้อ เวลาที่ประหยัดได้หายไป ไม่มีเครื่องมือที่อนุญาตจึงใช้บัญชีส่วนตัว

ไม่มีเจ้าของกระบวนการ เชิญแค่คนทำงานแต่คนที่อนุมัติไม่อยู่ ข้อมูลเข้าถึงไม่ได้ วัดเร็วเกินไปแล้วหยุด


ตารางบอกว่าต่างกันตรงไหน

ส่วนถัดไปบอกว่าแต่ละแบบต้องมีอะไรถึงจะได้ผลจริง เริ่มจากแบบ A


แบบ A ได้ผลเมื่อครบ 4 ข้อ อบรมอย่างเดียวไม่พอ

1. ผู้บริหารต้องบอกชัดว่า "ใช้ได้ และให้ใช้"

ในที่ทำงานที่ไม่มีนโยบายอะไรเลย พนักงานราว 41% ก็เคยใช้ AI ในงานแล้ว

แต่ที่ทำงานที่มีครบทั้งการสนับสนุนให้ใช้ เครื่องมือขององค์กร และการอบรม สัดส่วนขึ้นเป็น 93% และ 19% บอกว่าประหยัดเวลาได้มากกว่า 1 ชั่วโมงต่อวัน [8]


ที่น่าสนใจคือ อบรมอย่างเดียวโดยไม่มีการสนับสนุนให้ใช้ สัมพันธ์กับประโยชน์ที่น้อยกว่า

ผู้วิจัยตั้งข้อสังเกตว่า การอบรมแบบนั้นมักสอนป้องกันการใช้ผิด มากกว่าสอนใช้ให้เก่ง [8]


เมื่อพนักงานรู้สึกว่าผู้นำสนับสนุนจริง สัดส่วนคนที่รู้สึกดีกับ AI ขึ้นจาก 15% เป็น 55%

แต่พนักงานระดับปฏิบัติการมีแค่ 25% ที่บอกว่าได้รับการสนับสนุนพอ [2]


2. ต้องอบรมนานพอ และมีคนช่วยหลังจากนั้น

คนที่ได้อบรมมากกว่า 5 ชั่วโมงเป็นผู้ใช้ประจำ 79% เทียบกับ 67% ในกลุ่มที่ได้น้อยกว่า

การอบรมแบบเจอตัวและการมีโค้ชช่วยเพิ่มการใช้ประจำ แต่มีแค่ 36% ที่รู้สึกว่าได้อบรมพอ [2]


งานรวมผลการศึกษาหลายสิบชิ้นเรื่องการนำสิ่งที่เรียนไปใช้ ก็พบว่าแรงหนุนจากหัวหน้า คือปัจจัยด้านสภาพแวดล้อมที่สัมพันธ์กับการนำไปใช้สูงที่สุดตัวหนึ่ง [12]


3. ต้องสอนว่า AI พลาดตรงไหน ไม่ใช่สอนแค่ว่าเก่งอะไร (Jagged Frontier)

ในการทดลองกับที่ปรึกษา 758 คน งานที่ AI ทำได้ดี คนที่ใช้ AI ทำงานเสร็จมากขึ้น 12.2% เร็วขึ้น 25.1% และคุณภาพสูงขึ้นมากกว่า 40% [13]

แต่งานที่อยู่นอกความสามารถของ AI คนที่ใช้ AI ตอบถูกน้อยกว่าคนที่ไม่ใช้ 19 จุดเปอร์เซ็นต์ [13]


ที่น่ากลัวคือ งานสองชิ้นที่ดูยากพอ ๆ กัน อาจอยู่คนละฝั่งของเส้นนี้

หลักสูตรแบบ A ที่ดีจึงต้องให้ผู้เรียนเห็น AI ตอบผิดในงานของตัวเองสักครั้ง


4. วัดจากงานจริง ไม่ใช่ความรู้สึก

นักพัฒนาซอฟต์แวร์ที่มีประสบการณ์ 16 คน ใช้ AI แล้วใช้เวลานานขึ้น 19% ทั้งที่เชื่อว่าเร็วขึ้น 20% [4]

กลุ่มนี้เล็กและงานเฉพาะทาง จึงไม่ได้แปลว่า AI ทำให้ทุกคนช้าลง แต่เตือนว่าแบบประเมินที่ถาม "รู้สึกว่าเร็วขึ้นไหม" เชื่อไม่ได้


อีกด้านคืองานที่ดูเรียบร้อยแต่ไม่มีเนื้อหา

คนทำงานในสหรัฐฯ 40% จาก 1,150 คนบอกว่าได้รับงานแบบนี้จากเพื่อนร่วมงานในเดือนที่ผ่านมา และใช้เวลาเกือบ 2 ชั่วโมงต่อครั้งในการแก้ [14]

(แบบสำรวจนี้ทำโดยบริษัทที่ขายบริการโค้ช อ่านเป็นสัญญาณเตือน ไม่ใช่ตัวเลขแม่นยำ)


ตั้งความคาดหวังให้ถูกด้วยตัวเลขภาพรวม

ผู้ใช้ AI ในสหรัฐฯ รายงานว่าประหยัดเวลาได้ราว 5.4% ของชั่วโมงทำงาน หรือราว 2 ชั่วโมงต่อสัปดาห์ [15]

ถ้าหลักสูตรไหนสัญญาว่าพนักงานจะเร็วขึ้นหลายเท่าทุกงาน ให้ถามว่าวัดจากอะไร



แบบ A ทำให้คนเก่งขึ้น

แต่ถ้าอยากให้ตัวเลขของทั้งแผนกขยับ ต้องผ่านอีก 4 เงื่อนไขที่ยากกว่า


แบบ B ได้ผลเมื่อคนที่มีอำนาจเปลี่ยนงานอยู่ในห้อง

1. เจ้าของกระบวนการต้องอยู่ในห้อง

ออกแบบขั้นตอนใหม่ คือการตัดสินใจว่าใครเลิกทำอะไร ใครรับงานใหม่ และใครรับผิดชอบเมื่อ AI ผิด

ถ้าคนที่มีอำนาจเปลี่ยนขั้นตอนไม่อยู่ ผลของเวิร์กช็อปจะเป็นแค่ "ข้อเสนอที่รออนุมัติ"


องค์กรกลุ่มที่ได้ผลสูง มีโอกาสมากกว่ากลุ่มอื่นราว 2 เท่า ที่ผู้บริหารแสดงความมุ่งมั่นชัดเจนและมีกระบวนการวัดผลกำหนดไว้แล้ว [1]


2. ต้องเชิญคนข้ามฝ่าย

ในการทดลองกับพนักงาน 776 คนของบริษัทสินค้าอุปโภคบริโภครายใหญ่ คนเดียวที่มี AI ช่วย ทำงานได้คุณภาพใกล้เคียงทีม 2 คนที่ไม่มี AI [16]

และคนฝ่ายวิจัยกับฝ่ายการค้าที่ใช้ AI เสนอแนวคิดที่สมดุลทั้งด้านเทคนิคและด้านการค้ามากขึ้น [16]


แปลว่า AI เปลี่ยนวิธีที่คนต่างฝ่ายทำงานร่วมกัน

นั่นคือเรื่องของกระบวนการ ไม่ใช่ทักษะของใครคนเดียว


3. ต้องเตรียมข้อมูลและระบบก่อน

ตัวอย่างที่ชัดที่สุดของผลแบบ B มาจากศูนย์บริการลูกค้าที่มีพนักงาน 5,172 คน

บริษัทวางผู้ช่วย AI ไว้ในขั้นตอนตอบลูกค้า จำนวนเรื่องที่แก้ได้ต่อชั่วโมงเพิ่มขึ้นเฉลี่ย 15% พนักงานใหม่ได้ประโยชน์มากที่สุด [17]


ผลนี้ไม่ได้เกิดจากการส่งพนักงานไปเรียนเขียน Prompt

มันเกิดเพราะ AI ถูกสร้างจากบทสนทนาจริงของบริษัท แล้ววางไว้ตรงจุดที่พนักงานใช้งาน

ระบบที่ติดอยู่ส่วนใหญ่ ติดเพราะเชื่อมกับขั้นตอนงานไม่ได้ และต้องใส่บริบทเองทุกครั้ง [11]


4. ต้องยอมรับช่วงที่งานช้าลง และวัดที่เวลาทั้งเส้น

ตัวชี้วัดของแบบ B ไม่ใช่นาทีที่แต่ละคนประหยัด

แต่คือเวลาตั้งแต่รับเรื่องจนจบ ต้นทุนต่อรายการ และอัตราที่ต้องแก้งาน


ตัวเลขเหล่านี้ต้องเก็บก่อนเริ่ม และควรตัดสินใจขยายหรือหยุดที่ 60 ถึง 90 วัน ไม่ใช่ 30 วัน (นึกถึงเส้นรูปตัว J ข้างบนไว้ครับ)



ไม่ว่าจะเลือกแบบไหน มีความเข้าใจผิดหนึ่งข้อที่ทำให้หลักสูตรดี ๆ จบแบบไม่มีอะไรเกิดต่อ


ไม่ใช่ทุกงานต้องให้พนักงานทำเอง: แยกงานเป็น 3 กลุ่ม

ความผิดพลาดที่เห็นบ่อยคือ คาดหวังว่าอบรมจบแล้ว พนักงานทุกคนต้องสร้างทุกอย่างได้เอง


ลองนึกภาพพนักงานบัญชีที่เพิ่งเรียน AI มา 2 วัน แล้วถูกขอให้เชื่อม AI เข้ากับระบบ ERP (ตัวอย่างสมมติ)

ไม่แฟร์กับเขา และไม่แฟร์กับโครงการด้วย


งานที่ได้จากเวิร์กช็อปแบ่งได้ 3 กลุ่ม แต่ละกลุ่มผูกกับ A หรือ B ต่างกัน

  • กลุ่มที่ 1 งานหลักของพนักงาน: สรุปรายงาน ร่างอีเมล วิเคราะห์ตัวเลขในไฟล์ เตรียมสไลด์ งานกลุ่มนี้พนักงานควรทำเองด้วย ChatGPT, Claude หรือ Gemini และเป็นเป้าหมายหลักของแบบ A

  • กลุ่มที่ 2 งานที่ต้องใช้ผู้เชี่ยวชาญ: โมเดล Machine Learning งาน Data Science การดึงข้อมูลจากหลายระบบ หรือการเชื่อม AI เข้ากับระบบขององค์กร งานกลุ่มนี้มักโผล่มาจากแบบ B และควรให้ทีม IT ทีมข้อมูล หรือพาร์ทเนอร์ภายนอกทำ

  • กลุ่มที่ 3 งานที่ต้องประเมินก่อน: ไอเดียที่ยังไม่รู้ว่าคุ้มหรือไม่ ต้องประเมินว่าช่วยเพิ่มยอดขายหรือลดต้นทุนเท่าไร ใช้วิธีไหน และใครรับผิดชอบ งานกลุ่มนี้คือวัตถุดิบของแบบ B

หลักสูตรที่ดีทั้งสองแบบต้องจบด้วยรายการงานที่แยกแล้วว่าอยู่กลุ่มไหน มีเจ้าของงาน มีวิธีทำ และมีขั้นตอนต่อไปจนงานเสร็จ ไม่ใช่จบด้วยใบประกาศ


รู้แล้วว่างานแบ่งอย่างไร

คำถามต่อไปคือองค์กรของคุณอยู่ฝั่งไหน 8 ข้อนี้ตอบให้


8 ข้อบอกว่าคุณต้องการแบบ A หรือ B

ตอบ 8 ข้อนี้ก่อนขอใบเสนอราคา ถ้าตอบ "ใช่" ข้อ 1 ถึง 4 มากกว่า ให้เริ่มที่แบบ A

ถ้าตอบ "ใช่" ข้อ 5 ถึง 8 มากกว่า ให้เริ่มที่แบบ B


ถ้าตอบใช่ทั้งสองฝั่ง ให้เริ่มแบบ A ทั้งองค์กรควบคู่กับแบบ B ใน 1 กระบวนการ


  1. ปัญหาหลักคือพนักงานส่วนใหญ่ยังไม่ใช้ AI หรือใช้แบบไม่มั่นใจ

  2. งานที่อยากให้ดีขึ้นเป็นงานที่คนคนเดียวทำจบได้ เช่น ร่างเอกสาร สรุป วิเคราะห์ไฟล์

  3. ยังไม่มีเครื่องมือ AI ที่องค์กรอนุญาต หรือยังไม่มีกติกาข้อมูล

  4. ผู้บริหารต้องการเห็นการใช้งานที่กว้างขึ้นใน 1 ถึง 2 เดือน

  5. มีกระบวนการที่ชัดว่าเป็นปัญหา เช่น อนุมัติช้า ตอบลูกค้าช้า งานผ่านหลายมือแล้วผิด

  6. ปัญหานั้นมีตัวเลขที่วัดได้อยู่แล้ว เช่น ระยะเวลาดำเนินการ ต้นทุนต่อรายการ อัตราแก้งาน

  7. มีผู้บริหารหรือหัวหน้าที่เป็นเจ้าของกระบวนการและพร้อมเปลี่ยนขั้นตอน

  8. เข้าถึงข้อมูลและระบบที่เกี่ยวข้องได้ หรือมีทีม IT ที่พร้อมช่วย

ซื้อ A แล้วหวังผล B คือกับดักที่ต้องระวัง

จ่ายค่าอบรมพนักงาน 2 วัน แล้วหวังให้ต้นทุนทั้งแผนกลดลง หลักฐานข้างบนบอกว่าโอกาสเกิดแบบนั้นต่ำ


ถ้าเป้าหมายคือกำไร ให้เขียนชื่อกระบวนการที่ต้องการเปลี่ยนลงในขอบเขตงานตั้งแต่แรก


รู้แล้วว่าต้องการแบบไหน

ขั้นต่อไปคือคัดผู้ให้บริการ


ผู้ให้บริการที่ดีตอบต่างกันสำหรับ A และ B: 7 คำถามก่อนจ้าง

ใช้ 7 คำถามนี้กับผู้ให้บริการทุกเจ้า แต่คำตอบที่ดีขึ้นกับว่าเลือกแบบ A หรือ B


1. วิทยากรเคยทำโปรเจกต์ AI ที่มีผลทางธุรกิจจริงหรือไม่

ขอตัวอย่างงานที่วิทยากรทำเอง ไม่ใช่แค่จำนวนรุ่นที่เคยสอน

แบบ A: ถามว่าวิทยากรใช้ AI กับงานประจำของตัวเองอย่างไร และเคยเจอ AI ตอบผิดแบบไหน


แบบ B: ถามว่าเคยเปลี่ยนกระบวนการใดจนตัวเลขธุรกิจเปลี่ยน วัดอย่างไร และอะไรล้มเหลว วิทยากรที่ทำงานจริงจะตอบได้ว่าอะไรใช้ได้ อะไรไม่ได้ และเพราะอะไร


2. หลักสูตรเริ่มจากงานจริงของทีมเราหรือเปล่า

แบบ A: ผู้ให้บริการควรขอรายการงานที่ทีมทำซ้ำทุกสัปดาห์ แล้วนำมาเป็นแบบฝึก

แบบ B: ควรขอคุยกับเจ้าของกระบวนการ ขอดูขั้นตอนงานปัจจุบันและตัวเลขฐานก่อนเสนอราคา


ถ้าได้ข้อเสนอเป็นหลักสูตรสำเร็จรูปโดยไม่ถามอะไรเลย ให้ระวัง


3. ผู้เรียนได้ลงมือทำกี่เปอร์เซ็นต์ของเวลา

ถามสัดส่วนเวลาลงมือทำเทียบกับฟังบรรยาย และขอดูตารางรายชั่วโมง ตัวอย่างเช่น เวิร์กช็อปภาคปฏิบัติ 2 วันสำหรับที่ปรึกษาการเงินที่ผู้เขียนสอน ใช้เวลาลงมือทำ 80%

แบบ B ควรวัดต่างออกไป คือถามว่ามีกี่รอบที่ทีมได้ทดลองขั้นตอนใหม่กับงานจริงและกลับมาปรับ


ถ้าหลักสูตรใดเป็นการบรรยายเกินครึ่ง ผู้เรียนมักทำตามไม่ได้เมื่อกลับไปที่โต๊ะ


4. หลังเวิร์กช็อป ใครประเมินว่างานไหนทำเอง งานไหนต้องจ้าง

นี่คือคำถามที่มักถูกมองข้ามที่สุด ถามว่าผู้ให้บริการช่วยคัดไอเดียจากห้องเรียน ช่วยแยกงานเป็น 3 กลุ่มข้างต้น และช่วยวางขั้นตอนจากไอเดียจนถึงงานที่ใช้ได้จริงหรือไม่

แบบ A: อย่างน้อยควรมีโค้ชหรือช่วงถามตอบ 2 ถึง 4 สัปดาห์


แบบ B: ควรมีคนอยู่กับทีมจนขั้นตอนใหม่ใช้จริง ถ้าคำตอบคือจบที่วันอบรม องค์กรต้องหาคนทำส่วนที่เหลือเอง


5. แยกเนื้อหาตามกลุ่มผู้เรียนหรือไม่

ผู้บริหารต้องการกรอบตัดสินใจ หัวหน้างานต้องการวิธีออกแบบกระบวนการใหม่ พนักงานต้องการวิธีใช้กับงานประจำ ทีม IT ต้องการวิธีสร้างและดูแลระบบ แบบ A แบ่งรุ่นตามสายงาน

แบบ B ทำตรงข้าม คือรวมคนต่างฝ่ายที่อยู่ในกระบวนการเดียวกันไว้ในทีมเดียว หลักสูตรเดียวที่สอนทุกคนพร้อมกันโดยไม่มีเหตุผลแบบนี้ มักไม่ตรงใครเลย


6. มีกติกาเรื่องข้อมูลและความปลอดภัยหรือไม่

ถามว่าหลักสูตรสอนเรื่องข้อมูลที่ห้ามใส่ใน AI การตรวจคำตอบก่อนใช้ และการปฏิบัติตาม [18]

หรือไม่ เรื่องนี้สำคัญกับแบบ A มากเป็นพิเศษ เพราะเมื่อองค์กรไม่มีเครื่องมือที่อนุญาต พนักงานจำนวนมากใช้บัญชีส่วนตัวแทน


ผลสำรวจคนทำงาน 31,000 คนใน 31 ประเทศพบว่า 78% ของผู้ใช้ AI ใช้เครื่องมือที่หามาเอง และผู้ใช้ AI มีเพียง 39% ที่ได้รับการอบรมจากบริษัท [19]


แบบ B ต้องไปไกลกว่านั้น คือกำหนดว่าขั้นตอนไหนที่คนต้องตรวจก่อนส่งต่อ และใครรับผิดชอบเมื่อ AI ผิด


7. วัดผลอย่างไร และวัดเมื่อไร

ตกลงตัวชี้วัดตั้งแต่ก่อนเริ่ม แบบ A: เวลาที่ใช้ทำงานเดิม จำนวนคนที่ยังใช้ AI ทุกสัปดาห์ และคุณภาพงานตามเกณฑ์ตรวจ วัดที่ 30 วัน

แบบ B: เวลาตั้งแต่รับเรื่องจนจบ ต้นทุนต่อรายการ อัตราแก้งาน วัดที่ 60 ถึง 90 วัน แบบประเมินความพึงพอใจในวันอบรมไม่ได้บอกว่าองค์กรได้อะไร


เมื่อตกลงเรื่องวัดผลแล้ว

มาดูว่าแผนวัดผลจริงหน้าตาเป็นอย่างไร


วัดจากงานจริง ไม่ใช่ความรู้สึก: แผนวัดผล 30 วัน

แผนนี้ใช้กับแบบ A ตัวชี้วัดต้องเก็บได้ง่ายและเทียบกับก่อนอบรมได้


  • ก่อนอบรม 1 สัปดาห์: จับเวลางานเป้าหมาย 3 งาน เช่น สรุปรายงานประจำสัปดาห์ ใช้กี่นาทีต่อครั้ง และให้หัวหน้าให้คะแนนคุณภาพตามเกณฑ์เดียวกัน

  • สัปดาห์ที่ 1 หลังอบรม: ให้ผู้เรียนจดว่าใช้ AI กับงานไหน ติดปัญหาตรงไหน และ AI ตอบผิดแบบไหน

  • สัปดาห์ที่ 2 ถึง 3: หัวหน้าทีมคัดงานที่ได้ผล ทำเป็นแม่แบบ Prompt หรือขั้นตอนมาตรฐานของทีม

  • วันที่ 30: จับเวลางานเดิมอีกครั้ง ให้คะแนนคุณภาพอีกครั้ง นับคนที่ยังใช้ทุกสัปดาห์ และสรุปว่างานไหนต้องส่งต่อเป็นโครงการแบบ B หรือส่งให้ทีม IT

ถ้าผลวันที่ 30 ไม่ต่างจากก่อนอบรม ให้กลับไปดูคำถามข้อ 2 และข้อ 4 ก่อน เพราะมักเป็นสาเหตุหลัก


สำหรับแบบ B ให้ขยายเป็น 90 วัน สัปดาห์ที่ 1 ถึง 2 เขียนแผนผังขั้นตอนปัจจุบันและเก็บตัวเลขฐาน สัปดาห์ที่ 3 ถึง 6 ทดลองขั้นตอนใหม่กับงานจริงบางส่วน สัปดาห์ที่ 7 ถึง 12 ขยายและวัดเทียบตัวเลขฐาน แล้วตัดสินใจว่าจะขยาย ปรับ หรือหยุด


เปลี่ยนความรู้สึกเป็นตัวเลข: ตารางให้คะแนนผู้ให้บริการ (เต็ม 14 คะแนน)

ให้คะแนน 7 คำถามข้างต้น ข้อละ 0 ถึง 2 คะแนน โดยใช้คำตอบที่ดีของแบบที่เลือก


  • 0 คะแนน: ไม่มี หรือตอบไม่ได้

  • 1 คะแนน: มีบางส่วน หรือตอบกว้าง ๆ

  • 2 คะแนน: มีชัดเจน พร้อมตัวอย่างหรือเอกสาร

รวมคะแนน 7 ข้อ ได้ 11 ถึง 14 คะแนน คือผู้ให้บริการที่ควรคุยต่อ

7 ถึง 10 คะแนน ให้ขอรายละเอียดเพิ่ม


ต่ำกว่า 7 คะแนน ควรเทียบเจ้าอื่นก่อนตัดสินใจ ถ้าเลือกแบบ B แล้วข้อ 2 หรือข้อ 4 ได้ 0 คะแนน ไม่ควรจ้าง ไม่ว่าคะแนนรวมจะเป็นเท่าไร


คะแนนสูงยังไม่พอ

ถ้าเจอสัญญาณเหล่านี้ ให้ถามต่อก่อนเซ็น


ผู้ให้บริการที่สัญญาเกินหลักฐาน: สัญญาณเตือน 5 ข้อ

  • ขายด้วยจำนวนเครื่องมือที่สอน แต่ไม่ถามว่าทีมทำงานอะไร

  • สัญญาผลแบบ B เช่น ลดต้นทุนทั้งแผนก แต่รูปแบบคือการอบรมแบบ A 1 ถึง 2 วัน

  • ไม่มีตัวอย่างผลงานที่วิทยากรทำเองนอกห้องเรียน

  • ไม่มีเรื่องความปลอดภัยของข้อมูล และไม่พูดถึงการตรวจคำตอบของ AI

  • ไม่มีแผนหลังอบรม หรือมีแค่ไฟล์สไลด์ให้ดาวน์โหลด

ทั้งหมดนี้ฟังเป็นทฤษฎี จนกว่าจะเห็นตัวอย่างจริง


องค์กรที่ได้ผลชัด ใช้การอบรมเป็นส่วนหนึ่งของการเปลี่ยน ไม่ใช่ตัวโครงการ

ตัวอย่างที่ได้ผลชัดมักเป็นแบบ B คือเริ่มจากงานที่ชัดเจนแล้วออกแบบบทบาทของคนใหม่ ไม่ได้แทนคนด้วย AI ทั้งหมด เช่น IKEA ใช้แชตบอตตอบคำถามซ้ำ แล้วฝึกพนักงาน 8,500 คนให้เป็นที่ปรึกษาออกแบบ และ Walmart ใช้ AI ย่นเวลาผลิตเสื้อผ้าได้สูงสุด 18 สัปดาห์

ทั้งสองกรณีการอบรมเป็นส่วนหนึ่งของการเปลี่ยนกระบวนการ ไม่ใช่ตัวโครงการเอง


คำถามที่พบบ่อย

หลักสูตรอบรม AI ควรใช้เวลากี่วัน

ขึ้นกับเป้าหมาย แบบ A ใช้เวิร์กช็อป 1 ถึง 2 วันได้

แต่ควรมีโค้ชหรือคลินิกต่ออีก 2 ถึง 4 สัปดาห์ เพราะข้อมูลชี้ว่าการอบรมเกิน 5 ชั่วโมงพร้อมโค้ชสัมพันธ์กับการใช้ประจำที่สูงกว่า แบบ B ควรเป็นโครงการ 6 ถึง 12 สัปดาห์ที่ทำกับงานจริง


ควรอบรมทุกคนพร้อมกันหรือเริ่มจากทีมนำร่อง

แบบ A ขยายได้เร็วกว่า แต่ยังควรเริ่มจากทีมนำร่อง 1 ทีมที่มีงานซ้ำชัดเจน วัดผล 30 วัน แล้วค่อยขยาย แบบ B ควรเริ่มที่ 1 กระบวนการเท่านั้น เลือกกระบวนการที่มีปัญหาชัดและมีตัวเลขฐานอยู่แล้ว


พนักงานไม่มีพื้นฐานเทคนิค เรียนได้ไหม

ได้ งานกลุ่มที่ 1 ไม่ต้องเขียนโปรแกรม สิ่งที่ต้องฝึกคือการสั่งงาน AI ให้ชัดและตรวจคำตอบเป็น อ่านต่อได้ที่ Prompt คืออะไร วิธีเขียน Prompt

ส่วนแบบ B คนที่ไม่มีพื้นฐานเทคนิคมักเป็นคนสำคัญที่สุด เพราะรู้ว่างานจริงติดตรงไหน


ควรเลือกคอร์สออนไลน์หรืออบรมในองค์กร

คอร์สออนไลน์ใช้ได้กับแบบ A สำหรับคนที่เรียนเองได้

ถ้าต้องการให้ทั้งทีมเปลี่ยนวิธีทำงาน หรือเลือกแบบ B ต้องเป็นงานในองค์กรเท่านั้น เพราะต้องใช้ข้อมูลและกระบวนการจริง ดูการเทียบ 5 ประเภทได้ที่ คอร์ส AI เลือกแบบไหนดี


ค่าอบรมนำไปลดหย่อนภาษีได้ไหม

บริษัทหรือห้างหุ้นส่วนนิติบุคคลอาจได้รับยกเว้นภาษีเงินได้เพิ่มอีกร้อยละร้อยของค่าใช้จ่ายฝึกอบรมลูกจ้าง ที่มักเรียกว่าหักได้ 200% ตามพระราชกฤษฎีกาฉบับที่ 437 [5]

แต่มีหลักเกณฑ์และเงื่อนไขเรื่องหลักสูตรและการยื่นเอกสาร ควรตรวจกับฝ่ายบัญชีก่อนเซ็นสัญญา


สรุป

อบรมให้คนเก่งขึ้น กับอบรมให้งานเปลี่ยน คือการซื้อคนละอย่าง


แบบ A เหมาะเมื่อปัญหาคือคนยังไม่ใช้

ได้ผลเมื่อมีผู้บริหารหนุน เครื่องมือที่อนุญาต และโค้ชหลังอบรม


แบบ B เหมาะเมื่อมีกระบวนการที่เป็นปัญหา และมีเจ้าของพร้อมเปลี่ยน

ใช้เวลานานกว่า อาจแย่ลงก่อนดีขึ้น แต่เป็นทางที่หลักฐานชี้ว่าเชื่อมกับกำไรมากที่สุด


ตอบข้อนี้ให้ได้ก่อน

แล้วค่อยใช้ 7 คำถามกับตารางคะแนนเทียบผู้ให้บริการทุกเจ้า


อ้างอิง


[1] McKinsey. (2026). The State of AI in 2026: On the Road to ROI. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

[2] BCG. (2025). AI at Work 2025: Momentum Builds, but Gaps Remain. https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain

[3] McElheran, K., et al. (2025). The Rise of Industrial AI in America: Microfoundations of the Productivity J-curve(s). US Census Bureau CES-WP-25-27. https://www.census.gov/library/working-papers/2025/adrm/CES-WP-25-27.html

[4] METR. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

[5] กรมสรรพากร. พระราชกฤษฎีกาออกตามความในประมวลรัษฎากร ว่าด้วยการยกเว้นรัษฎากร (ฉบับที่ 437) พ.ศ. 2548. https://www.rd.go.th/29513.html

[6] David, P. A. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2). https://www.jstor.org/stable/2006600

[7] McKinsey. (2025). The State of AI: How Organizations Are Rewiring to Capture Value. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value

[8] Humlum, A., Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777 (revised March 2026). https://www.nber.org/papers/w33777

[9] Brynjolfsson, E., Rock, D., Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. AEJ: Macroeconomics, 13(1). https://www.aeaweb.org/articles?id=10.1257/mac.20180386

[10] BCG. Artificial Intelligence and AI at Scale (10-20-70 rule). https://www.bcg.com/capabilities/artificial-intelligence

[11] MIT NANDA. (2025). The GenAI Divide: State of AI in Business 2025 (preliminary findings). https://nanda.media.mit.edu/ai_report_2025.pdf

[12] Blume, B. D., Ford, J. K., Baldwin, T. T., Huang, J. L. (2010). Transfer of Training: A Meta-Analytic Review. Journal of Management, 36(4). https://journals.sagepub.com/doi/10.1177/0149206309352880

[13] Dell'Acqua, F., et al. (2025). Navigating the Jagged Technological Frontier. Organization Science. https://doi.org/10.1287/orsc.2025.21838

[14] BetterUp Labs, Stanford Social Media Lab. (2025). Workslop: The Hidden Cost of AI-Generated Busywork. https://www.betterup.com/workslop

[15] Bick, A., Blandin, A., Deming, D. (2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966. https://www.nber.org/papers/w32966

[16] Dell'Acqua, F., et al. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641. https://www.nber.org/papers/w33641

[17] Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889-942. https://academic.oup.com/qje/article/140/2/889/7990658

[18] สำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล. https://www.pdpc.or.th/

[19] Microsoft, LinkedIn. (2024). 2024 Work Trend Index: AI at Work Is Here. Now Comes the Hard Part. https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part


บทความที่เกี่ยวข้อง

เกี่ยวกับผู้เขียน

บทความนี้เขียนโดย อ.โจ อภิวิชญ์ พวงศรีเจริญ ผู้ก่อตั้ง IM Impower และอาจารย์ True Digital Academy ทำงาน AI มาตั้งแต่ Machine Learning จนถึง Agentic AI เป็นที่ปรึกษาที่ทำงานตรงกับ CEO และเจ้าของกิจการมากว่า 10 ปี ทีม IM Impower เป็นนักปฏิบัติ ทำโปรเจกต์ AI และงานที่ปรึกษาที่สร้างหรือสนับสนุนยอดขายให้องค์กรในไทยและต่างประเทศรวมกัน มากกว่า 1,000 ล้านบาท ดูหลักสูตรได้ที่ อบรม AI สำหรับองค์กร และ อบรม AI สำหรับผู้บริหาร


อยากให้ช่วยวางหลักสูตร AI ให้ทีมของคุณ

บอกเราสั้นๆ ว่ามีผู้เรียนกี่คน อยู่แผนกไหน และงานไหนที่อยากให้ AI ช่วย ทีมงานจะติดต่อกลับพร้อมแนวทางหลักสูตรและใบเสนอราคา




ไม่สะดวกกรอกฟอร์ม? โทร 081-666-8903 หรืออีเมล officemanager@imimpowerconsulting.com


 
 
bg-1.jpg

ยกระดับองค์กรและธุรกิจของคุณ ด้วยเทคโนโลยีจาก IM Impower บริษัทพัฒนา AI

IM Impower บริษัท AI พัฒนาและให้คำปรึกษาด้าน AI พร้อมที่จะขับเคลื่อนปลดล็อคองค์กรและธุรกิจของคุณอย่างยั่งยืน ด้วยขุมพลังของนวัตกรรม AI

bottom of page