top of page
พนักงานออฟฟิศนั่งทำงานกับแล็ปท็อปริมหน้าต่าง มองเห็นตึกในกรุงเทพฯ

ใช้ AI ในการทำงาน: งานไหนเร็วขึ้นจริง งานไหนพลาดง่ายขึ้น

49 นาทีที่ผ่านมา
ยาว 3 นาที

ประเด็นสำคัญ

  • AI ช่วยงานที่มีรูปแบบชัดได้จริง ในการทดลองที่ตีพิมพ์ในวารสาร Science งานเขียนแบบที่ทำในออฟฟิศใช้เวลาน้อยลง 40% และคุณภาพสูงขึ้น 18% [1]

  • แต่ไม่ใช่ทุกงาน ในงานที่ AI ไม่ถนัด กลุ่มที่ไม่ใช้ AI ตอบถูกราว 84% แต่กลุ่มที่ใช้ AI ตอบถูกแค่ 60 ถึง 70% [2]

  • คนใหม่ได้ประโยชน์มากที่สุด พนักงานที่ประสบการณ์น้อยทำงานได้มากขึ้น 34% ส่วนคนเก่งแทบไม่ต่าง [3]

  • พนักงานใช้กันอยู่แล้ว 78% ของคนที่ใช้ AI ในงานหาเครื่องมือมาใช้เอง [4] คำถามจริงจึงอยู่ที่ว่าจะจัดให้เป็นระบบหรือปล่อยไปเรื่อย ๆ

  • วิธีเริ่ม แยกงานของทีมเป็น 3 กอง เลือกงาน 1 ถึง 2 อย่าง แล้ววัดผล 2 สัปดาห์

ในบทความนี้ (กดหัวข้อเพื่อไปอ่านส่วนนั้น)
  1. คำถามแรกที่มักผิด: ใช้ AI ตัวไหนดี : เริ่มจากงานของทีม ไม่ใช่จากรายชื่อเครื่องมือ

  2. AI เก่งไม่เท่ากันทุกงาน : งานที่ AI ไม่ถนัด คนเก่งก็พลาดง่ายขึ้นเมื่อใช้ AI

  3. งานแบบไหนที่ AI ช่วยได้จริง : งานเขียนเร็วขึ้น 40% และคนใหม่ได้ประโยชน์มากที่สุด

  4. แยกงานเป็น 3 กอง ก่อนเลือกเครื่องมือ : ให้ AI ร่าง ให้ AI ช่วยคิด และงานที่ยังไม่ให้แตะ

  5. ใช้ ChatGPT ทำงานออฟฟิศ: 5 งานที่เริ่มได้พรุ่งนี้ : 5 งานที่เริ่มได้ทันทีโดยไม่ต้องเขียนโค้ด

  6. ทำไมต่างคนต่างใช้ แล้วองค์กรไม่ได้อะไร : 78% หาเครื่องมือมาใช้เอง แต่มีแค่ 39% ที่เคยได้อบรม

  7. วัดผลยังไงว่าคุ้ม : วัดเวลาและงานที่ต้องแก้ซ้ำ 2 สัปดาห์

  8. คำถามที่พบบ่อย : prompt ความปลอดภัย และคอร์สฟรีหรือเสียเงิน

  9. สรุป : สิ่งที่ทำได้สัปดาห์นี้

  10. อ้างอิง : งานวิจัยและรายงานที่ใช้ในบทความ

อยากรู้ว่างานไหนในทีมคุณควรเริ่มใช้ AI ก่อน

คำถามแรกที่มักผิด: ใช้ AI ตัวไหนดี

คำถามที่ผมได้ยินบ่อยที่สุดคือ "ใช้ AI ตัวไหนดีครับ"

ฟังดูสมเหตุสมผล แต่เป็นคำถามที่ผิดตั้งแต่ต้นครับ

เครื่องมือเปลี่ยนทุกไม่กี่เดือน ที่ไม่ค่อยเปลี่ยนคือเนื้องานของคุณเอง งานบางอย่าง AI ทำได้ดีจนน่าตกใจ บางอย่างกลับทำให้คนเก่งพลาดง่ายขึ้นด้วย

คำถามที่ควรถามก่อนจึงเป็น "งานไหนของเราที่ AI ช่วยได้จริง และงานไหนที่ต้องระวัง"

AI เก่งไม่เท่ากันทุกงาน

นักวิจัยจาก Harvard Business School, Wharton และ MIT ทดลองกับที่ปรึกษาของ BCG 758 คน [2] แบ่งเป็นกลุ่มที่ได้ใช้ GPT-4 กับกลุ่มที่ไม่ได้ใช้ แล้วให้ทำงานที่ปรึกษาจริง 18 แบบ

ผลออกมาเป็นสองหน้า

ในงานที่ AI ถนัด กลุ่มที่ใช้ AI ทำงานเสร็จมากขึ้น 12.2% เร็วขึ้น 25.1% และคุณภาพสูงกว่าเกิน 40% [2]

แต่พอเจองานที่ออกแบบให้ AI ไม่ถนัด คืองานวิเคราะห์ที่ต้องอ่านข้อมูลให้ละเอียด ผลกลับด้าน กลุ่มที่ไม่ใช้ AI ตอบถูกราว 84% ส่วนกลุ่มที่ใช้ AI ตอบถูกแค่ 60 ถึง 70% [2]

ทำไมถึงเป็นแบบนั้น?

คำอธิบายที่ผมเห็นด้วยที่สุดคือ คำตอบของ AI ดูมั่นใจเสมอ ต่อให้ผิดก็เขียนออกมาสวย พอเห็นคำตอบสวย คนก็เลิกตรวจ นักวิจัยเรียกเรื่องนี้ว่า "jagged frontier" ความหมายคือ AI เก่งไม่เท่ากันในแต่ละงาน งานสองงานที่คนมองว่ายากพอ ๆ กัน AI อาจทำงานหนึ่งได้ดีมาก แต่พลาดอีกงานหนึ่งก็ได้

ตรงนี้แหละที่ทำให้การใช้ AI ในการทำงานต้องเริ่มจากการรู้จักงานของตัวเอง ไม่ใช่จากรายชื่อเครื่องมือ

งานแบบไหนที่ AI ช่วยได้จริง

ตัวอย่างที่ชัดที่สุดมาจากงานเขียน

Shakked Noy และ Whitney Zhang จาก MIT ให้คนทำงานวิชาชีพ 453 คนเขียนงานแบบที่ทำในออฟฟิศจริง เช่น ข่าวประชาสัมพันธ์ อีเมลที่ต้องเลือกคำ และรายงานสั้น [1] ครึ่งหนึ่งได้ใช้ ChatGPT เวลาที่ใช้ลดลง 40% และคะแนนคุณภาพจากผู้ประเมินที่ไม่รู้ว่าชิ้นไหนใช้ AI สูงขึ้น 18% [1]

อีกงานศึกษาจากที่ทำงานจริง Erik Brynjolfsson กับทีมตามดูพนักงานบริการลูกค้า 5,179 คนที่ได้ผู้ช่วย AI [3] เฉลี่ยแล้วในหนึ่งชั่วโมง พนักงานแก้ปัญหาลูกค้าได้มากขึ้น 14% กลุ่มที่ประสบการณ์น้อยเพิ่มถึง 34% ส่วนพนักงานที่เก่งอยู่แล้วแทบไม่ต่าง [3]

ข้อมูลของนักวิจัยชี้ว่า AI เรียนวิธีตอบของคนเก่ง แล้วส่งต่อให้คนใหม่ [3] แม้ยังไม่ใช่ข้อสรุปที่แน่นอน แต่ก็อธิบายได้ว่าทำไมคนใหม่ถึงเก่งขึ้นเร็ว

สองงานนี้บอกอะไรเรา?

งานที่ AI ช่วยได้ดีมักมีลักษณะร่วมกัน คือมีตัวอย่างที่ดีให้เทียบ รู้ว่าผลลัพธ์หน้าตาควรเป็นแบบไหน และคนทำตรวจได้เองว่าผิดหรือถูก

แยกงานเป็น 3 กอง ก่อนเลือกเครื่องมือ

ผมใช้วิธีนี้กับทีมก่อนจะคุยเรื่องเครื่องมือเสมอ ลิสต์งานที่ทีมทำซ้ำทุกสัปดาห์ แล้วแยกเป็น 3 กอง

กอง 1: ให้ AI ร่าง คนตรวจ งานที่มีรูปแบบชัดและตรวจง่าย เช่น ร่างอีเมล สรุปบันทึกประชุม แปลเอกสาร ทำโครงสไลด์ เขียนรายงานจากตัวเลขที่มีอยู่แล้ว กองนี้คือที่ที่ผลวิจัยข้างบนเกิดขึ้นจริง

กอง 2: ให้ AI ช่วยคิด คนตัดสิน งานที่ต้องใช้วิจารณญาณ เช่น วิเคราะห์ตัวเลขยอดขาย ระดมไอเดียแคมเปญ อ่านสัญญาเบื้องต้น AI ช่วยให้เห็นมุมมากขึ้น แต่ห้ามรับคำตอบไปใช้ตรง ๆ งานกองนี้คืองานแบบเดียวกับที่ทำให้ที่ปรึกษาในงานวิจัยข้างบนตอบถูกน้อยลงเมื่อใช้ AI [2]

กอง 3: ยังไม่ให้ AI แตะ งานที่ผิดแล้วแก้ยาก งานที่ต้องใช้ข้อมูลลับในตอนที่บริษัทยังไม่มีนโยบาย และงานที่ตัดสินเรื่องคน เช่น คัดคนเข้าทำงาน กองนี้ไม่ได้ห้ามตลอดไป แต่ต้องมีกติกาก่อน

พอแยกเสร็จ คำถามเรื่องเครื่องมือก็ตอบง่ายขึ้นเยอะครับ เพราะคุณรู้แล้วว่ากำลังซื้อเครื่องมือไปทำอะไร

อยากให้ทีมฝึกแยกงานและลงมือกับงานจริงของตัวเองในห้องเดียว

ใช้ ChatGPT ทำงานออฟฟิศ: 5 งานที่เริ่มได้พรุ่งนี้

ทุกงานด้านล่างอยู่ในกอง 1 ใช้ ChatGPT, Gemini หรือ Claude ก็ได้ หลักคือให้บริบทครบ แล้วบอกให้ชัดว่าอยากได้ผลลัพธ์หน้าตาแบบไหน

  1. บันทึกประชุมเป็นรายการงาน วางบันทึกลงไป แล้วขอให้แยกเป็น สิ่งที่ตัดสินแล้ว ใครทำอะไร กำหนดเสร็จ และเรื่องที่ยังไม่ชัด

  2. ร่างอีเมลที่ต้องเลือกคำ เล่าสถานการณ์ คนรับ และผลที่อยากได้ ให้ AI ร่างสองแบบที่น้ำเสียงต่างกัน แล้วคุณเลือกเอง

  3. ข้อมูลดิบเป็นตาราง วางข้อความที่กระจัดกระจาย แล้วขอเป็นตารางตามหัวคอลัมน์ที่คุณกำหนด

  4. โครงสไลด์ก่อนลงมือออกแบบ ขอแค่หัวข้อแต่ละหน้ากับประเด็นหลัก ยังไม่ต้องให้เขียนเนื้อหาเต็ม

  5. ให้ AI หาจุดอ่อนในงานของคุณ วางร่างรายงานแล้วถามว่าคนอ่านที่ไม่เห็นด้วยจะค้านตรงไหน งานนี้ช่วยคุณคิด ไม่ได้คิดแทน

ข้อควรระวังเดียวที่สำคัญมาก: อย่าวางข้อมูลลูกค้าหรือข้อมูลลับของบริษัทลงในบัญชีส่วนตัว ถ้าบริษัทยังไม่มีนโยบาย ให้ถามฝ่ายไอทีก่อน

ทำไมต่างคนต่างใช้ แล้วองค์กรไม่ได้อะไร

รายงาน Work Trend Index 2024 ของ Microsoft และ LinkedIn สำรวจคนทำงาน 31,000 คนใน 31 ประเทศ พบว่า 75% ใช้ AI ในงานแล้ว และ 78% ของคนกลุ่มนี้เอาเครื่องมือมาใช้เอง [4] แต่มีแค่ 39% ที่เคยได้อบรมเรื่อง AI จากบริษัท [4]

ผลคือ คนที่ใช้เก่งได้ประโยชน์อยู่คนเดียว ไม่มีใครส่งต่อเทคนิคดี ๆ ให้คนอื่น ข้อมูลบริษัทไปอยู่ในบัญชีส่วนตัว และไม่มีใครวัดได้ว่าดีขึ้นจริงหรือเปล่า

แล้วการอบรมช่วยได้แค่ไหน?

การสำรวจ AI at Work ของ BCG ปี 2025 กับคนทำงานกว่า 10,600 คน พบว่าคนที่ได้อบรมเกิน 5 ชั่วโมง ใช้ AI เป็นประจำ 79% เทียบกับ 67% ในกลุ่มที่ได้น้อยกว่านั้น และมีแค่ราว 1 ใน 3 ที่รู้สึกว่าได้อบรมเพียงพอ [5]

ตัวเลขนี้มาจากการสำรวจ บอกได้แค่ว่าคนที่อบรมมากมักใช้ AI บ่อยกว่า ยังสรุปไม่ได้ว่าการอบรมเป็นสาเหตุทั้งหมด แต่ภาพที่เห็นตรงกันคือ องค์กรที่ได้ผลไม่ได้ปล่อยให้แต่ละคนลองเอง ถ้าคุณกำลังมองหาอบรม AI สำหรับองค์กร ให้ดูว่าหลักสูตรพาทีมลงมือกับงานจริงหรือแค่สาธิตเครื่องมือ

วัดผลยังไงว่าคุ้ม

"รู้สึกว่าเร็วขึ้น" ยังไม่ใช่ผลลัพธ์ วิธีวัดที่ง่ายที่สุดมี 4 ขั้น

  1. เลือกงานจากกอง 1 มา 1 ถึง 2 อย่างที่ทำซ้ำทุกสัปดาห์

  2. จดเวลาที่ใช้ต่อชิ้นแบบเดิม 1 สัปดาห์

  3. ใช้ AI ทำงานเดียวกันอีก 1 สัปดาห์ จดเวลาเหมือนเดิม

  4. นับงานที่ต้องแก้ซ้ำด้วย เพราะงานที่เร็วขึ้นแต่ต้องแก้บ่อยกว่าเดิมไม่ได้ประหยัดจริง

ครบ 2 สัปดาห์ คุณจะมีตัวเลขของทีมตัวเอง ไม่ต้องอ้างตัวเลขของบริษัทอื่นอีก

คำถามที่พบบ่อย

ใช้ AI ในการทำงานต้องเขียน prompt เก่งไหม

ไม่ต้องเก่งระดับเทคนิค สิ่งที่ทำให้ผลต่างกันมากกว่าคือบริบท บอก AI ว่างานนี้ทำให้ใคร ใช้ทำอะไร และอยากได้รูปแบบไหน แนบตัวอย่างที่ดีไปด้วยหนึ่งชิ้นก็ช่วยได้มาก อ่านวิธีละเอียดได้ในPrompt คืออะไร วิธีเขียน Prompt

ใช้ ChatGPT ทำงานออฟฟิศปลอดภัยไหม

ขึ้นกับข้อมูลที่ใส่เข้าไปกับบัญชีที่ใช้ งานทั่วไปที่ไม่มีข้อมูลลูกค้าหรือความลับใช้ได้ งานที่มีข้อมูลส่วนบุคคลต้องดูนโยบายบริษัทและกฎหมายคุ้มครองข้อมูลส่วนบุคคลก่อน

AI จะมาแทนงานเราไหม

งานวิจัยที่ยกมาวัดผลระดับ "งานแต่ละชิ้น" ไม่ได้วัดระดับ "ตำแหน่งงาน" [1][3] ภาพที่เห็นคือคนที่ใช้ AI เป็นทำงานบางอย่างได้เร็วขึ้นมาก โดยเฉพาะคนที่ประสบการณ์ยังน้อย [3]

ควรเริ่มจากคอร์สฟรีหรือจ้างอบรม

คอร์สฟรีเหมาะกับการเรียนพื้นฐานรายบุคคล ส่วนการทำให้ทั้งทีมใช้กับงานจริงต้องใช้ข้อมูลและกระบวนการของบริษัทเอง ผมเขียนแยกไว้ในบทความอบรม AI ฟรี

สรุป

AI ไม่ได้ทำให้ทุกงานเร็วขึ้นเท่ากัน งานที่มีรูปแบบชัดเร็วขึ้นจริง งานที่ต้องใช้วิจารณญาณกลับพลาดง่ายขึ้นถ้าเชื่อคำตอบโดยไม่ตรวจ

สัปดาห์นี้ลองลิสต์งานที่ทีมทำซ้ำ แยกเป็น 3 กอง แล้ววัดผลงานกอง 1 สักสองอย่าง ตัวเลขที่ได้จะบอกคุณเองว่าควรไปต่อทางไหน

อยากให้ผมช่วยดูว่างานไหนของทีมคุณควรเริ่มก่อน

อ้างอิง

  1. 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

  2. Dell'Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013. https://www.hbs.edu/ris/Publication%20Files/24-013_d9b45b68-9e74-42d6-a1c6-c72fb70c7282.pdf

  3. Brynjolfsson, E., Li, D. & Raymond, L. (2023). Generative AI at Work. NBER Working Paper 31161 (ตีพิมพ์ใน Quarterly Journal of Economics, 2025). https://www.nber.org/papers/w31161

  4. 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

  5. Boston Consulting Group (2025). AI at Work: Momentum Builds, but Gaps Remain. https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain ; ตัวเลข 79% และ 67% อ้างจาก UNLEASH (3 ก.ค. 2025) https://www.unleash.ai/artificial-intelligence/bcgs-ai-at-work-2025-report-four-takeaways-for-hr-leaders/

บทความที่เกี่ยวข้อง

เกี่ยวกับผู้เขียน

อภิวิชญ์ พวงศรีเจริญ (Joe Apiwit) ผู้ก่อตั้ง IM Impower บริษัทที่ปรึกษาด้าน AI transformation วิทยากร AI ที่สอนผู้บริหารและพนักงานขององค์กรขนาดใหญ่มาแล้วมากกว่า 10,000 คน ถ้าอยากคุยเรื่องการวางแผนใช้ AI ในทีม ทักมาได้ที่หน้าติดต่อครับ

 
 
bg-1.jpg

ยกระดับองค์กรและธุรกิจของคุณ ด้วยเทคโนโลยีจาก IM Impower บริษัทพัฒนา AI

IM Impower บริษัท AI พัฒนาและให้คำปรึกษาด้าน AI พร้อมที่จะขับเคลื่อนปลดล็อคองค์กรและธุรกิจของคุณอย่างยั่งยืน ด้วยขุมพลังของนวัตกรรม AI

bottom of page