ChatGPT ทำให้ทำงานเร็วขึ้น 40% จริงไหม งานวิจัยจาก Science และ PNAS เผยคำตอบที่ซับซ้อนกว่าพาดหัวข่าว

ตั้งแต่ ChatGPT เปิดตัวปลายปี 2022 แทบทุกวงสนทนาเรื่องอนาคตของการทำงานก็หนีไม่พ้นประโยคทำนองว่า "ต่อไปนี้ใครไม่ใช้ AI จะตกขบวน" สื่อจำนวนมากพาดหัวว่า AI ช่วยให้ทำงานเร็วขึ้นเป็นเท่าตัว บางบริษัทประกาศลดคนเพราะเชื่อว่า AI ทดแทนแรงงานได้เกือบสมบูรณ์ ขณะที่อีกฝั่งก็กังวลว่ายิ่งพึ่ง AI มากเท่าไหร่ ทักษะการคิดวิเคราะห์ของคนจะยิ่งฝ่อลงเท่านั้น คำถามคือ ท่ามกลางกระแสที่สุดโต่งทั้งสองด้านนี้ มีอะไรที่พิสูจน์ได้จริงด้วยการทดลองที่ควบคุมตัวแปรอย่างเข้มงวดบ้าง

ข่าวดีคือ นับตั้งแต่ปี 2023 เป็นต้นมา มีนักเศรษฐศาสตร์และนักวิจัยด้านการจัดการทั่วโลกลงพื้นที่เก็บข้อมูลจริงจากคนทำงานหลายพันคน ตั้งแต่โปรแกรมเมอร์ พนักงานบริการลูกค้า ไปจนถึงที่ปรึกษาธุรกิจระดับโลก แล้วตีพิมพ์ผลในวารสารวิทยาศาสตร์และเศรษฐศาสตร์ชั้นนำ ภาพที่ได้ไม่ใช่ "AI ช่วยทุกคนเท่ากัน" หรือ "AI ทำลายทักษะมนุษย์ทั้งหมด" แต่เป็นภาพที่ละเอียดกว่านั้นมาก คนที่เก่งน้อยกว่าหรือประสบการณ์น้อยกว่ามักได้ประโยชน์มากกว่าคนเก่งอยู่แล้วอย่างเห็นได้ชัด งานบางประเภทดีขึ้นจริง แต่งานบางประเภท AI กลับพาให้คนตัดสินใจผิดพลาดมากขึ้นโดยไม่รู้ตัว และแม้แต่ "การเข้าถึง" เทคโนโลยีตัวเดียวกันในชีวิตจริงก็ยังไม่เท่าเทียมกันเลย บทความนี้จะพาไปดูหลักฐานทั้งหมดทีละชิ้น เพื่อให้เห็นภาพที่ใกล้เคียงความจริงมากกว่าพาดหัวข่าว

หลักฐานตรงที่สุด: ทดลองสุ่มกับมืออาชีพ 453 คน

Shakked Noy และ Whitney Zhang จากภาควิชาเศรษฐศาสตร์ Massachusetts Institute of Technology ตีพิมพ์งานชื่อ "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence" ใน *Science* ปี 2023 (เล่ม 381 ฉบับ 6654 หน้า 187-192, DOI: 10.1126/science.adh2586) นับเป็นหนึ่งในการทดลองแบบสุ่มที่ควบคุมตัวแปรเข้มงวดที่สุดในหัวข้อนี้ ทีมวิจัยรับสมัครมืออาชีพวุฒิปริญญาตรีขึ้นไป 453 คน ที่ทำงานในสายอาชีพซึ่งต้องเขียนเอกสารเป็นประจำ เช่น นักการตลาด ที่ปรึกษาฝ่ายบุคคล นักวิเคราะห์ข้อมูล ให้ทำงานเขียนที่เฉพาะเจาะจงกับอาชีพของตนเองสองชิ้น โดยเป็นการทดลองที่ลงทะเบียนแผนการวิจัยไว้ล่วงหน้า (preregistered) และให้แรงจูงใจทางการเงินตามคุณภาพงานจริง แล้วสุ่มแบ่งครึ่งหนึ่งให้เข้าถึง ChatGPT ระหว่างทำงานชิ้นที่สอง

ผลลัพธ์คือ กลุ่มที่เข้าถึง ChatGPT ใช้เวลาทำงานลดลงเฉลี่ย 40% ขณะที่คุณภาพงาน (ให้คะแนนโดยผู้ประเมินที่ไม่รู้ว่าใครใช้หรือไม่ใช้ AI) เพิ่มขึ้น 18% ที่น่าสนใจยิ่งกว่าคือผลนี้ไม่ได้กระจายเท่ากันในทุกคน คนที่ทำคะแนนได้ต่ำในงานชิ้นแรก (ก่อนได้ใช้ AI) ได้ประโยชน์จากการมี ChatGPT มากกว่าคนที่ทำคะแนนดีอยู่แล้วอย่างชัดเจน ส่งผลให้ช่องว่างผลงานระหว่างพนักงานเก่งกับพนักงานอ่อนแคบลง ทีมวิจัยยังติดตามผลระยะยาวและพบว่ากลุ่มที่เคยได้ลองใช้ ChatGPT ในการทดลองมีแนวโน้มนำไปใช้ในงานจริงต่อเนื่องมากกว่ากลุ่มควบคุมถึง 2 เท่าเมื่อผ่านไป 2 สัปดาห์ และ 1.6 เท่าเมื่อผ่านไป 2 เดือน ซึ่งบ่งชี้ว่าประโยชน์ที่พบไม่ใช่แค่ปรากฏการณ์ชั่วคราวในห้องทดลอง ข้อจำกัดสำคัญคืองานนี้วัดเฉพาะงานเขียนระยะสั้นแบบครั้งเดียว ไม่ได้ติดตามผลระยะยาวต่อการพัฒนาทักษะของพนักงาน และกลุ่มตัวอย่างเป็นการทำงานผ่านแพลตฟอร์มออนไลน์ ไม่ใช่บริบทองค์กรจริงทั้งหมด งานชิ้นนี้จึงเป็นจุดตั้งต้นที่ดีที่สุดสำหรับบทความนี้ เพราะให้หลักฐานเชิงสาเหตุที่ชัดเจนที่สุดว่า generative AI เพิ่มผลิตภาพได้จริง แต่คำถามที่ตามมาคือ ผลนี้จะยังคงอยู่ไหมเมื่อขยายไปสู่งานประเภทอื่นและองค์กรจริง

เมื่อ AI เข้าไปในศูนย์บริการลูกค้า 5,179 คน

Erik Brynjolfsson จาก Stanford University, Danielle Li จาก MIT Sloan School of Management และ Lindsey R. Raymond ตีพิมพ์งานชื่อ "Generative AI at Work" ใน *Quarterly Journal of Economics* ปี 2025 (เล่ม 140 ฉบับ 2 หน้า 889-942, DOI: 10.1093/qje/qjae044) โดยได้รับความร่วมมือจากบริษัทซอฟต์แวร์ระดับ Fortune 500 แห่งหนึ่งในสหรัฐฯ ที่ขายผลิตภัณฑ์ให้ธุรกิจขนาดเล็ก ซึ่งทยอยติดตั้งผู้ช่วย AI สนทนา (สร้างจากโมเดลตระกูล GPT) ให้พนักงานบริการลูกค้าทางแชทในช่วงปี 2020-2021 ทีมวิจัยใช้จังหวะการทยอยติดตั้งที่ไม่พร้อมกันในแต่ละทีมเป็นเครื่องมือระบุผลเชิงสาเหตุ โดยวิเคราะห์ข้อมูลแชทจริงกว่า 3 ล้านครั้งจากพนักงาน 5,179 คน เครื่องมือนี้จะอ่านบทสนทนากับลูกค้าแล้วเสนอแนะคำตอบให้พนักงาน แต่พนักงานยังต้องตัดสินใจเองว่าจะใช้คำแนะนำนั้นหรือไม่

ผลลัพธ์คือ การเข้าถึงผู้ช่วย AI ทำให้จำนวนปัญหาที่แก้ไขได้ต่อชั่วโมงเพิ่มขึ้นเฉลี่ย 14% แต่เมื่อแยกตามระดับประสบการณ์ พบความแตกต่างมหาศาล พนักงานมือใหม่และพนักงานที่มีทักษะต่ำได้ประโยชน์เพิ่มขึ้นถึง 34% ทั้งด้านความเร็วและคุณภาพงาน ขณะที่พนักงานที่มีประสบการณ์สูงและทักษะดีอยู่แล้วแทบไม่ได้ประโยชน์เพิ่มเติมเลย ทีมวิจัยยังพบหลักฐานเชิงชี้แนะว่า AI ทำหน้าที่เผยแพร่แนวทางปฏิบัติที่ดีของพนักงานเก่งไปให้พนักงานใหม่ ช่วยให้พนักงานใหม่ไต่ระดับเส้นโค้งประสบการณ์ได้เร็วขึ้น นอกจากนี้ยังพบว่าความพึงพอใจของลูกค้าดีขึ้นและอัตราการลาออกของพนักงานลดลงหลังนำ AI มาใช้ งานชิ้นนี้จึงยืนยันรูปแบบเดียวกับที่ Noy & Zhang พบในห้องทดลอง คือคนที่เก่งน้อยกว่าได้ประโยชน์จาก AI มากกว่าคนเก่งอยู่แล้ว แต่คราวนี้เป็นข้อมูลจากบริษัทจริงในระยะเวลาเป็นปี ข้อจำกัดคืองานนี้ศึกษาเฉพาะงานบริการลูกค้าทางแชทในบริษัทเดียว ซึ่งเป็นงานที่มีคำตอบค่อนข้างชัดเจนกว่างานเชิงกลยุทธ์หรือความคิดสร้างสรรค์

ขอบเขตหยักๆ ของ AI: ทำไมบางงานดีขึ้น บางงานกลับแย่ลง

Fabrizio Dell'Acqua, Edward McFowland III, Ethan Mollick, Hila Lifshitz-Assaf, Katherine C. Kellogg, Saran Rajendran, Lisa Krayer, François Candelon และ Karim R. Lakhani ตีพิมพ์งานชื่อ "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality" ใน *Organization Science* ปี 2026 (เล่ม 37 ฉบับ 2, DOI: 10.1287/orsc.2025.21838) โดยร่วมมือกับบริษัทที่ปรึกษา Boston Consulting Group (BCG) ทำการทดลองแบบสุ่มที่ลงทะเบียนล่วงหน้ากับที่ปรึกษา 758 คน แบ่งเป็นสามกลุ่ม คือไม่มี AI, มี GPT-4, และมี GPT-4 พร้อมการอบรมเทคนิคการเขียนพรอมป์ ให้ทำงานสองชุด ชุดแรกเป็นงานที่ปรึกษาธุรกิจสมจริง 18 งานซึ่งอยู่ในขอบเขตที่ GPT-4 ทำได้ดี ส่วนชุดที่สองเป็นโจทย์วิเคราะห์ธุรกิจที่ซับซ้อนซึ่งจงใจออกแบบให้อยู่นอกขอบเขตความสามารถของโมเดล

ผลลัพธ์คือ สำหรับงาน "ในขอบเขต" ที่ปรึกษาที่ใช้ AI ทำงานเสร็จมากกว่ากลุ่มควบคุม 12.2% เร็วขึ้น 25.1% และคุณภาพงานเพิ่มขึ้นราว 30% โดยประโยชน์เด่นชัดที่สุดในกลุ่มที่ปรึกษาที่ทำผลงานได้ต่ำกว่าค่าเฉลี่ยในช่วงก่อนใช้ AI ซึ่งสอดคล้องกับรูปแบบ "คนอ่อนได้ประโยชน์มากกว่า" ที่พบในงานอื่นๆ แต่สำหรับงาน "นอกขอบเขต" ผลกลับตรงข้าม คือกลุ่มที่ใช้ AI มีอัตราความถูกต้องลดลง 19 จุดเปอร์เซ็นต์เมื่อเทียบกับกลุ่มควบคุม แม้จะยังคงใช้เวลาน้อยกว่าเดิม 18-30% และที่น่ากังวลคือคำตอบที่ผิดเหล่านั้นกลับได้รับการประเมินว่ามีความสมเหตุสมผลและน่าเชื่อถือ (subjective coherence) สูงกว่าคำตอบของกลุ่มควบคุมด้วยซ้ำ ทีมวิจัยเรียกปรากฏการณ์นี้ว่า "ขอบเขตเทคโนโลยีที่ขรุขระ" (jagged technological frontier) เพราะแม้งานสองชิ้นจะดูมีความยากใกล้เคียงกันจากสายตาคนทำงาน แต่ AI อาจทำได้ดีเยี่ยมในงานหนึ่งและพาให้หลงทางในอีกงานหนึ่งโดยที่ผู้ใช้ไม่รู้ตัว เพราะคำตอบที่ผิดยังฟังดูมั่นใจและมีเหตุผลเสมอ งานชิ้นนี้จึงเป็นหลักฐานสำคัญที่สุดชิ้นหนึ่งเรื่องความเสี่ยงของการพึ่งพา AI เกินไปในงานที่อยู่นอกความสามารถจริงของโมเดล ข้อจำกัดคืองานนี้ทดสอบกับ GPT-4 รุ่นเดียว ณ ช่วงเวลาหนึ่ง ซึ่งขอบเขตความสามารถของโมเดลรุ่นใหม่กว่าอาจเปลี่ยนแปลงไปแล้ว

โปรแกรมเมอร์กับ Copilot: เร็วขึ้นแค่ไหนกันแน่

Sida Peng, Eirini Kalliamvakou, Peter Cihon และ Mert Demirer จาก Microsoft Research และ MIT เผยแพร่งานวิจัยชื่อ "The Impact of AI on Developer Productivity: Evidence from GitHub Copilot" ในปี 2023 (arXiv:2302.06590) ซึ่งยังเป็น working paper ที่ยังไม่ผ่านการตีพิมพ์ในวารสารวิชาการที่มีกระบวนการทบทวนโดยผู้ทรงคุณวุฒิแบบวารสาร แต่เป็นหนึ่งในการทดลองแบบสุ่มที่ถูกอ้างอิงมากที่สุดในหัวข้อนี้ ทีมวิจัยรับสมัครโปรแกรมเมอร์อาชีพ 95 คนผ่านแพลตฟอร์มฟรีแลนซ์ Upwork ให้ทำโจทย์เขียนโปรแกรมมาตรฐานเดียวกันคือสร้างเซิร์ฟเวอร์ HTTP ด้วยภาษา JavaScript ให้เร็วที่สุดเท่าที่จะทำได้ โดยสุ่มแบ่งกลุ่มให้เข้าถึง GitHub Copilot หรือไม่

ผลลัพธ์คือ กลุ่มที่ใช้ GitHub Copilot ทำงานเสร็จเร็วกว่ากลุ่มควบคุมถึง 55.8% ซึ่งเป็นตัวเลขที่สูงกว่าในงานเขียนทั่วไปของ Noy & Zhang ค่อนข้างมาก ทีมวิจัยตั้งข้อสังเกตว่าอาจเป็นเพราะการเขียนโค้ดมีรูปแบบที่ AI เรียนรู้จากคลังโค้ดขนาดใหญ่ได้ตรงไปตรงมากว่างานเขียนที่ต้องใช้บริบทเฉพาะทางธุรกิจ นอกจากนี้ยังพบสัญญาณว่าประโยชน์ของเครื่องมือลักษณะนี้อาจมีนัยสำคัญเป็นพิเศษสำหรับคนที่เพิ่งเริ่มต้นสายอาชีพเขียนโปรแกรม ซึ่งสอดคล้องกับรูปแบบที่พบซ้ำแล้วซ้ำเล่าในงานวิจัยชิ้นอื่นว่า AI มักลดช่องว่างทักษะมากกว่าขยายมันออกไป งานชิ้นนี้จึงเสริมภาพว่าประโยชน์ของ generative AI ไม่ได้จำกัดอยู่แค่งานเขียนเอกสารเท่านั้น แต่ขยายไปถึงงานเทคนิคอย่างการเขียนโปรแกรมด้วย ข้อจำกัดสำคัญคือยังไม่ผ่านการตีพิมพ์ในวารสารที่ทบทวนโดยผู้ทรงคุณวุฒิ โจทย์ทดสอบเป็นงานเดี่ยวระยะสั้นในสภาพแวดล้อมที่ควบคุม ไม่ใช่งานพัฒนาซอฟต์แวร์จริงที่ซับซ้อนและต้องทำงานร่วมกับทีมในระยะยาว จึงควรตีความตัวเลข 55.8% ด้วยความระมัดระวังมากกว่าตัวเลขจากงานที่ตีพิมพ์ในวารสารแล้ว

แผนที่ผลกระทบระดับประเทศ: งานแบบไหนเสี่ยงถูก AI แทนที่มากที่สุด

Tyna Eloundou, Sam Manning, Pamela Mishkin และ Daniel Rock จาก OpenAI และ University of Pennsylvania ตีพิมพ์งานชื่อ "GPTs are GPTs: Labor Market Impact Potential of LLMs" ใน *Science* ปี 2024 (เล่ม 384 ฉบับ 6702 หน้า 1306-1308, DOI: 10.1126/science.adj0998) เพื่อยกระดับคำถามจากงานวิจัยเชิงทดลองรายบุคคลไปสู่ภาพรวมระดับตลาดแรงงาน ทีมวิจัยพัฒนากรอบการประเมินโดยให้ทั้งมนุษย์ผู้เชี่ยวชาญและโมเดล GPT-4 ร่วมกันประเมินงานย่อยทุกชิ้นในฐานข้อมูลอาชีพมาตรฐานของสหรัฐฯ (O*NET) ว่างานย่อยแต่ละชิ้นสามารถทำได้เร็วขึ้นอย่างมีนัยสำคัญ (โดยยังคงคุณภาพเท่าเดิม) ด้วยการเข้าถึง LLM หรือไม่ โดยแยกวิเคราะห์สองระดับ คือการเข้าถึง LLM โดยตรง (เช่น พิมพ์คุยกับแชทบอท) และการเข้าถึงผ่านซอฟต์แวร์และเครื่องมือที่พัฒนาต่อยอดจาก LLM

ผลลัพธ์คือ เมื่อพิจารณาการเข้าถึง LLM โดยตรงเพียงอย่างเดียว งานย่อยราว 15% ของทั้งหมดในระบบเศรษฐกิจสหรัฐฯ สามารถทำได้เร็วขึ้นอย่างมีนัยสำคัญ แต่เมื่อรวมซอฟต์แวร์และเครื่องมือที่ต่อยอดจาก LLM เข้าไปด้วย ตัวเลขนี้เพิ่มขึ้นเป็น 47-56% ของงานย่อยทั้งหมด และเมื่อมองในระดับคนทำงาน พบว่าราว 19% อยู่ในอาชีพที่มีสัดส่วนงานย่อยถูกกระทบเกินครึ่งหนึ่ง ซึ่งสะท้อนว่าผลกระทบที่แท้จริงของ generative AI จะขึ้นอยู่กับความเร็วในการพัฒนาเครื่องมือรอบข้างมากพอๆ กับตัวโมเดลภาษาเอง สิ่งที่น่าสนใจและต่างจากคลื่นระบบอัตโนมัติในอดีตคือ อาชีพที่มีรายได้สูงและใช้การศึกษาสูงมีแนวโน้มถูกกระทบมากกว่าอาชีพรายได้ต่ำ เพราะงานที่ใช้ทักษะการเขียน การวิเคราะห์ข้อมูล และการเขียนโปรแกรม ซึ่งมักอยู่ในอาชีพรายได้สูง กลับเป็นงานที่ LLM ทำได้ดีเป็นพิเศษ ต่างจากงานที่ต้องใช้ทักษะกายภาพหรือการเข้าสังคมโดยตรงซึ่งยังอยู่นอกเหนือความสามารถของ LLM ในปัจจุบัน งานชิ้นนี้จึงช่วยเติมภาพให้ครบมากขึ้น จากคำถามระดับ "คนคนหนึ่งทำงานเร็วขึ้นไหม" ไปสู่คำถามระดับ "ตลาดแรงงานทั้งระบบจะเปลี่ยนไปอย่างไร" ข้อจำกัดสำคัญคืองานนี้เป็นการประเมินศักยภาพ (exposure) ไม่ใช่การวัดผลกระทบที่เกิดขึ้นจริงในตลาดแรงงาน และอาศัยการตัดสินของผู้ประเมินซึ่งอาจมีความคลาดเคลื่อนได้

ศักยภาพสูง แต่การเข้าถึงจริงไม่เท่ากัน

Anders Humlum และ Emilie Vestergaard จาก University of Chicago Booth School of Business และ University of Copenhagen ตีพิมพ์งานชื่อ "The Unequal Adoption of ChatGPT Exacerbates Existing Inequalities Among Workers" ใน *PNAS* ปี 2025 (เล่ม 122 ฉบับ 1 บทความเลขที่ e2414972121, DOI: 10.1073/pnas.2414972121) โดยตั้งคำถามที่ต่างออกไปจากงานวิจัยอื่นๆ คือแทนที่จะถามว่า AI ช่วยเพิ่มผลิตภาพได้แค่ไหนในห้องทดลอง ทีมวิจัยถามว่าในโลกจริง คนทำงานใช้ AI มากน้อยแค่ไหนและใครบ้างที่ใช้ โดยสำรวจคนทำงาน 18,000 คนในเดนมาร์กที่อยู่ใน 11 อาชีพซึ่งถูกประเมินว่าถูก ChatGPT กระทบมากที่สุด ระหว่างเดือนพฤศจิกายน 2023 ถึงมกราคม 2024 แล้วเชื่อมข้อมูลแบบสำรวจเข้ากับฐานข้อมูลทะเบียนแรงงานของรัฐที่มีข้อมูลรายได้ การศึกษา และประวัติการทำงานจริง

ผลลัพธ์คือ มีคนทำงานเพียง 41% เท่านั้นที่เคยใช้ ChatGPT เพื่อทำงานจริง โดยอัตราการใช้แตกต่างกันมากตามอาชีพ ตั้งแต่ 65% ในกลุ่มนักการตลาดไปจนถึงเพียง 12% ในกลุ่มที่ปรึกษาการเงิน ทั้งที่คนทำงานเองประเมินว่า ChatGPT สามารถลดเวลาทำงานลงได้ครึ่งหนึ่งในงานย่อยราวหนึ่งในสามของงานที่ทำอยู่ นอกจากนี้ยังพบช่องว่างการเข้าถึงตามลักษณะประชากรอย่างชัดเจน ผู้หญิงใช้ ChatGPT เพื่อทำงานน้อยกว่าผู้ชายในอาชีพเดียวกันถึง 16 จุดเปอร์เซ็นต์ อายุที่มากขึ้นทุก 1 ปีสัมพันธ์กับโอกาสใช้งานที่ลดลง 0.7 จุดเปอร์เซ็นต์ และอายุงานที่มากขึ้นทุก 1 ปีสัมพันธ์กับโอกาสใช้งานที่ลดลง 0.6 จุดเปอร์เซ็นต์ ที่น่าสนใจคือแม้จะมีอายุงานน้อยกว่า แต่คนที่ใช้ ChatGPT กลับมีรายได้พื้นฐานสูงกว่าเล็กน้อยเมื่อเทียบกับคนรุ่นเดียวกันที่ไม่ใช้ บ่งชี้ว่าคนที่มีศักยภาพสูงอยู่แล้วภายในกลุ่มอายุเดียวกันมักเป็นกลุ่มที่นำเทคโนโลยีใหม่มาใช้ก่อน อุปสรรคหลักที่คนทำงานรายงานคือ 42% บอกว่าต้องการการอบรมเพิ่มเติม และ 36% บอกว่านายจ้างมีข้อจำกัดในการใช้งาน โดยผู้หญิงมักอ้างเหตุผลเรื่องต้องการการอบรมมากกว่าผู้ชาย งานชิ้นนี้จึงเป็นเครื่องเตือนใจสำคัญว่าศักยภาพทางเทคนิคของ AI ที่วัดได้ในห้องทดลองกับสิ่งที่เกิดขึ้นจริงในตลาดแรงงานเป็นคนละเรื่องกัน และหากไม่มีนโยบายสนับสนุนที่ดี ประโยชน์ของ AI อาจไม่กระจายไปถึงคนที่ต้องการมันมากที่สุด ข้อจำกัดคืองานนี้ศึกษาเฉพาะในเดนมาร์กซึ่งมีระบบสวัสดิการและตลาดแรงงานต่างจากประเทศอื่น ผลลัพธ์อาจไม่สามารถสรุปเป็นภาพรวมทั่วโลกได้ทั้งหมด

ด้านที่มองข้าม: AI ทำให้ความคิดสร้างสรรค์ของสังคมแคบลงหรือไม่

Anil R. Doshi จาก UCL School of Management และ Oliver P. Hauser จาก University of Exeter Business School ตีพิมพ์งานชื่อ "Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content" ใน *Science Advances* ปี 2024 (เล่ม 10 ฉบับ 28, DOI: 10.1126/sciadv.adn5290) เพื่อตอบคำถามที่มักถูกมองข้าม คือแม้ AI จะช่วยให้แต่ละคนทำงานสร้างสรรค์ได้ดีขึ้น แต่ผลลัพธ์โดยรวมของสังคมจะเป็นอย่างไรหากทุกคนใช้เครื่องมือตัวเดียวกัน ทีมวิจัยให้นักเขียน 293 คนแต่งเรื่องสั้นขนาดย่อ แบ่งเป็นสามกลุ่มคือไม่มีไอเดียจาก AI, ได้ไอเดียจาก ChatGPT หนึ่งไอเดีย, และเลือกได้จากไอเดียของ ChatGPT สูงสุดห้าไอเดีย แล้วให้ผู้ประเมิน 600 คนให้คะแนนความแปลกใหม่และประโยชน์ใช้สอยของแต่ละเรื่อง พร้อมวัดความคล้ายคลึงกันระหว่างเรื่องราวทั้งหมดด้วยเทคนิค embeddings ของ OpenAI

ผลลัพธ์คือ ในระดับบุคคล การเข้าถึงไอเดียจาก AI ช่วยเพิ่มคะแนนความคิดสร้างสรรค์จริง กลุ่มที่เลือกได้จากห้าไอเดียได้คะแนนความแปลกใหม่สูงขึ้น 8.1% และคะแนนประโยชน์ใช้สอยสูงขึ้น 9% เมื่อเทียบกับกลุ่มไม่มี AI โดยประโยชน์เด่นชัดที่สุดในกลุ่มนักเขียนที่มีความคิดสร้างสรรค์พื้นฐานต่ำกว่าค่ามัธยฐาน (วัดด้วยแบบทดสอบ Divergent Association Task) ซึ่งได้คะแนนความแปลกใหม่เพิ่มขึ้นถึง 10.7% และประโยชน์ใช้สอยเพิ่มขึ้น 11.5% สอดคล้องกับรูปแบบ "คนอ่อนได้ประโยชน์มากกว่า" ที่พบซ้ำในงานวิจัยอื่น แต่เมื่อมองภาพรวมทั้งกลุ่ม กลับพบว่าเรื่องราวที่เขียนโดยใช้ไอเดียจาก AI มีความคล้ายคลึงกับไอเดียของ AI เองมากขึ้น 5.2% (กลุ่มที่ได้ไอเดียเดียว) และ 5.0% (กลุ่มที่ได้ห้าไอเดีย) เมื่อเทียบกับกลุ่มที่ไม่ใช้ AI เลย และเรื่องราวภายในกลุ่มที่ใช้ AI เองก็คล้ายกันเองมากขึ้นด้วย (คิดเป็น 10.7% และ 8.9% ของช่วงคะแนนความคล้ายคลึงทั้งหมดตามลำดับ) ทีมวิจัยอธิบายว่านี่คือ "ปัญหาทางเลือกร่วม" (social dilemma) ในระดับสังคม เพราะนักเขียนแต่ละคนได้ประโยชน์จากการใช้ AI จริง แต่เมื่อทุกคนหยิบไอเดียจากแหล่งเดียวกัน ผลรวมของความหลากหลายในสังคมกลับลดลง งานชิ้นนี้จึงเป็นข้อเตือนใจสำคัญที่มักถูกมองข้ามในการถกเถียงเรื่องผลิตภาพ เพราะตัวเลข "ผลิตภาพเพิ่มขึ้น" ในระดับบุคคลอาจไม่ได้แปลว่าสังคมโดยรวมดีขึ้นเสมอไป โดยเฉพาะในงานที่ต้องการความหลากหลายทางความคิด ข้อจำกัดคืองานนี้ทดสอบเฉพาะงานเขียนเรื่องสั้นระยะสั้นในสภาพแวดล้อมทดลอง ยังไม่ชัดเจนว่าผลจะเหมือนกันหรือไม่ในงานสร้างสรรค์ประเภทอื่นหรือในระยะเวลาที่ยาวนานกว่านี้

กรอบ "ลอง-แยก-ตรวจ-ปรับ": สังเคราะห์หลักฐานเป็นวิธีใช้ AI ทำงาน

หลักฐาน 7 ชิ้นข้างต้นชี้ทั้งประโยชน์และความเสี่ยงของการใช้ generative AI ในการทำงาน แต่ถ้าจะย่อเป็นขั้นตอนใช้จริงตอนนำ AI มาช่วยงานประจำวัน อาจสรุปได้เป็น 4 ขั้นตอนคือ "ลอง-แยก-ตรวจ-ปรับ"

1. ลอง — ลองใช้ AI ช่วยงานอย่างจริงจัง โดยเฉพาะถ้ายังไม่ชำนาญหรือเพิ่งเริ่มงาน เพราะ Noy & Zhang (2023), Brynjolfsson et al. (2025) และ Peng et al. (2023) ต่างพบรูปแบบเดียวกันว่าคนที่ทักษะหรือประสบการณ์ต่ำกว่าได้ประโยชน์จาก AI มากกว่าคนที่เก่งอยู่แล้วอย่างชัดเจน 2. แยก — แยกให้ออกว่างานที่กำลังทำอยู่ใน "ขอบเขตที่ AI ถนัด" หรือ "นอกขอบเขต" ก่อนเชื่อคำตอบทันที เพราะ Dell'Acqua et al. (2026) พบว่างานนอกขอบเขตความสามารถของโมเดล ความถูกต้องลดลงถึง 19 จุดเปอร์เซ็นต์เมื่อใช้ AI 3. ตรวจ — ตรวจทานคำตอบของ AI อย่างระมัดระวัง ไม่เชื่อแค่เพราะฟังดูมั่นใจ เพราะ Dell'Acqua et al. (2026) พบว่าคำตอบที่ผิดจาก AI มักได้รับการประเมินว่าน่าเชื่อถือกว่าคำตอบของคนที่ไม่ได้ใช้ AI เลยด้วยซ้ำ 4. ปรับ — ปรับไอเดียจาก AI ให้เป็นแบบของตัวเอง ไม่ใช้ตรงๆ โดยเฉพาะงานสร้างสรรค์ เพราะ Doshi & Hauser (2024) พบว่าผลงานที่ใช้ไอเดียจาก AI โดยตรงกลับคล้ายกับไอเดียของ AI เองมากขึ้น ซึ่งอาจทำให้งานของตัวเองไม่โดดเด่นในหมู่คนที่ใช้เครื่องมือเดียวกัน

กรอบ "ลอง-แยก-ตรวจ-ปรับ" เป็นเครื่องมือประยุกต์ของบทความนี้ที่ช่วยจดจำวิธีใช้ AI ในการทำงานอย่างได้ผลจริง ไม่ใช่คำแนะนำเชิงเทคนิคที่ผ่านการตรวจสอบความเที่ยงตรงทางวิชาการ (validated instrument) แต่อย่างใด

กรณีจำลอง: แนนกับ ChatGPT ในงานการตลาดปีแรก

แนนเป็นพนักงานการตลาดปีแรกที่บริษัทเพิ่งอนุญาตให้ทุกคนใช้ ChatGPT ช่วยงานได้ เธอเห็นรุ่นพี่บางคนไม่ค่อยใช้เพราะเชื่อมือตัวเองอยู่แล้ว แต่แนนซึ่งยังไม่ชำนาญตัดสินใจลองใช้อย่างจริงจัง

แนนเลือกทำตามกรอบ "ลอง-แยก-ตรวจ-ปรับ" ในการทำงาน ลอง — เธอใช้ ChatGPT ช่วยร่างแคปชันโซเชียลมีเดียและสรุปข้อมูลคู่แข่งอย่างสม่ำเสมอ แทนที่จะรู้สึกว่าต้องพิสูจน์ตัวเองด้วยการทำทุกอย่างเอง แยก — เมื่อต้องวางกลยุทธ์แคมเปญใหญ่ที่ต้องเข้าใจบริบทลูกค้าเฉพาะกลุ่มลึกๆ แนนรู้ว่างานนี้อยู่นอกขอบเขตที่ AI ถนัด จึงใช้ AI แค่ช่วยระดมไอเดียเบื้องต้นแล้วตัดสินใจเองในส่วนที่ซับซ้อน ตรวจ — ก่อนส่งงานที่มีตัวเลขสถิติจาก ChatGPT แนนตรวจสอบแหล่งที่มาทุกครั้ง แม้คำตอบจะฟังดูมั่นใจและเป็นระบบมากแค่ไหนก็ตาม ปรับ — เมื่อได้ไอเดียแคปชันจาก AI แนนไม่ใช้ตรงๆ แต่ปรับสำนวนให้เป็นน้ำเสียงของแบรนด์ตัวเองจริงๆ ก่อนโพสต์

หลังทำงานแบบนี้ได้สามเดือน แนนสังเกตว่างานของตัวเองเร็วขึ้นชัดเจนโดยที่หัวหน้าไม่เคยตำหนิเรื่องความผิดพลาดจากการเชื่อ AI มากเกินไป กรณีของแนนเป็นเพียงสถานการณ์จำลองเพื่อสาธิตวิธีคิดตามกรอบ "ลอง-แยก-ตรวจ-ปรับ" ไม่ใช่ผลการทดลองจริงหรือกรณีศึกษาที่มีการเก็บข้อมูลอย่างเป็นระบบ

ลองเอาไปปรับใช้ดู

1. ถ้าเพิ่งเริ่มงานหรือยังไม่ชำนาญ ควรลองใช้ AI ช่วยงานอย่างจริงจัง เพราะน่าจะได้ประโยชน์มากกว่าคนที่เก่งอยู่แล้ว เพราะ Noy & Zhang (2023), Brynjolfsson และคณะ (2025) และ Peng และคณะ (2023) ต่างพบรูปแบบเดียวกันว่าคนที่ทักษะหรือประสบการณ์ต่ำกว่าได้ประโยชน์จาก AI มากกว่าคนที่เก่งอยู่แล้วอย่างชัดเจน (เช่น พนักงานมือใหม่ได้ประโยชน์ถึง 34% เทียบกับพนักงานอาวุโสที่แทบไม่ได้อะไรเพิ่ม) 2. แยกให้ออกว่างานที่กำลังทำอยู่ใน "ขอบเขตที่ AI ถนัด" หรือ "นอกขอบเขต" ก่อนเชื่อคำตอบทันที เพราะ Dell'Acqua และคณะ (2026) พบว่างานนอกขอบเขตความสามารถของโมเดล ความถูกต้องลดลงถึง 19 จุดเปอร์เซ็นต์เมื่อใช้ AI ทั้งที่คำตอบยังฟังดูน่าเชื่อถือกว่าเดิม จึงควรตรวจทานงานเชิงกลยุทธ์หรือการวิเคราะห์ที่ซับซ้อนด้วยความระมัดระวังเป็นพิเศษ แม้ AI จะตอบมาอย่างมั่นใจก็ตาม 3. ลองอย่าเพิ่งปักใจเชื่อคำตอบของ AI แค่เพราะฟังดูมั่นใจ โดยเฉพาะเรื่องสำคัญ เพราะ Dell'Acqua และคณะ (2026) พบว่าคำตอบที่ผิดจาก AI มักได้รับการประเมินว่าน่าเชื่อถือกว่าคำตอบของคนที่ไม่ได้ใช้ AI เลยด้วยซ้ำ ความมั่นใจในน้ำเสียงจึงไม่ใช่ตัวชี้วัดความถูกต้อง 4. ถ้าใช้ AI ช่วยงานสร้างสรรค์ ควรใช้เป็นจุดเริ่มต้นแล้วปรับเปลี่ยนให้เป็นแบบของตัวเอง ไม่ใช่ใช้ไอเดียตรงๆ เพราะ Doshi & Hauser (2024) พบว่าแม้ AI จะช่วยเพิ่มคะแนนความคิดสร้างสรรค์รายบุคคล แต่ผลงานที่ใช้ไอเดียจาก AI โดยตรงกลับคล้ายกับไอเดียของ AI เองมากขึ้น 5-5.2% ซึ่งอาจทำให้งานของตัวเองไม่โดดเด่นในหมู่คนที่ใช้เครื่องมือเดียวกัน 5. ลองอย่าคาดหวังว่า AI จะช่วยทุกคนในทีมเท่ากัน และหลีกเลี่ยงการประเมินศักยภาพของทีมจากค่าเฉลี่ยเพียงตัวเดียว เพราะ Brynjolfsson และคณะ (2025) และ Noy & Zhang (2023) พบว่าตัวเลขเฉลี่ยของผลิตภาพที่เพิ่มขึ้นซ่อนความแตกต่างระหว่างบุคคลไว้มาก ผู้จัดการที่วางแผนนำ AI มาใช้น่าจะได้ประโยชน์มากกว่าถ้าพิจารณาความแตกต่างของพนักงานแต่ละคน แทนที่จะคาดหวังผลลัพธ์แบบเดียวกันทั้งทีม 6. หากองค์กรอยากให้พนักงานใช้ AI ได้เต็มศักยภาพ อาจลองลงทุนเรื่องการอบรมและนโยบายที่ชัดเจนเพิ่มเติม ไม่ใช่แค่ปล่อยให้เข้าถึงเครื่องมือเฉยๆ เพราะ Humlum & Vestergaard (2024/2025) พบว่ามีคนทำงานเพียง 41% ที่ใช้ ChatGPT จริง ทั้งที่ประเมินเองว่าเครื่องมือมีศักยภาพสูงกว่านั้นมาก และอุปสรรคหลักคือขาดการอบรมและข้อจำกัดจากนายจ้าง ไม่ใช่เพราะเครื่องมือไม่มีประโยชน์