LinkedIn ทดลองกับคน 20 ล้านคนทั่วโลก พบว่า "คนรู้จักห่างๆ" ช่วยให้ได้งานใหม่จริง แต่ยิ่งห่างยิ่งดีไม่จริงเสมอไป

คำถามที่พบได้บ่อยคือทำไมเวลาได้งานใหม่ที่ดีๆ มันมักจะมาจากคนที่เราไม่ได้สนิทด้วยซ้ำ อดีตเพื่อนร่วมงานที่ไม่ได้คุยกันมาหลายปี รุ่นพี่ที่เจอกันแค่ในงานสัมมนาปีละครั้ง หรือแม้แต่คนที่เพิ่งเชื่อมต่อกันบน LinkedIn เมื่อไม่นานมานี้ ไม่ใช่เพื่อนสนิทที่คุยกันทุกวัน ความรู้สึกนี้จริงๆ แล้วมีชื่อเรียกในวงการวิชาการมานานแล้วครับ นักสังคมวิทยา Mark Granovetter เสนอทฤษฎี "ความแข็งแกร่งของสายสัมพันธ์ที่อ่อนแอ" (the strength of weak ties) ไว้ตั้งแต่ปี 1973 ว่าคนรู้จักห่างๆ มักเป็นสะพานเชื่อมเราไปสู่ข้อมูลและโอกาสใหม่ๆ ที่วงเพื่อนสนิทของเราเข้าไม่ถึง แต่ปัญหาคือทฤษฎีนี้พิสูจน์ได้ยากมากในโลกจริง เพราะเราไม่มีทางรู้ว่าถ้าคนคนหนึ่งมีคนรู้จักห่างๆ มากกว่านี้ เขาจะได้งานง่ายขึ้นจริงไหม หรือมันเป็นแค่ความบังเอิญที่คนซึ่งเก่งอยู่แล้วมักมีเครือข่ายกว้างอยู่แล้วเป็นทุนเดิม จนกระทั่งปี 2022 ทีมนักวิจัยจาก MIT, Stanford และ LinkedIn ได้ทำสิ่งที่ไม่มีใครเคยทำมาก่อน คือใช้อัลกอริทึมของ LinkedIn เอง "ทดลอง" ควบคุมปริมาณคนรู้จักห่างๆ ในเครือข่ายของคนจริงนับสิบล้านคน แล้ววัดผลว่ามันส่งผลต่อการได้งานใหม่จริงไหม บทความนี้จะพาไปดูงานวิจัยชิ้นนั้นและงานที่เกี่ยวข้องอีกหลายชิ้น ตั้งแต่ระดับอัลกอริทึมของแพลตฟอร์มเดียว ไปจนถึงระดับสังคมทั้งประเทศที่วิเคราะห์มิตรภาพนับหมื่นล้านคู่ และปิดท้ายด้วยคำถามที่ว่า ถ้าคนรู้จักห่างๆ มีค่าขนาดนี้ ทำไมบางกลุ่มคนถึงเข้าถึงมันได้ยากกว่าคนอื่น

การทดลองที่ใหญ่ที่สุดในประวัติศาสตร์ของทฤษฎีนี้: อัลกอริทึม LinkedIn กับคน 20 ล้านคน

Karthik Rajkumar, Guillaume Saint-Jacques, Iavor Bojinov, Erik Brynjolfsson และ Sinan Aral ตอบคำถามที่ค้างคามาเกือบ 50 ปีนี้ในงานชื่อ "A Causal Test of the Strength of Weak Ties" ตีพิมพ์ใน *Science* ปี 2022 (เล่ม 377 ฉบับ 6612 หน้า 1304-1310, DOI 10.1126/science.abl4476) จุดที่ทำให้งานชิ้นนี้พิเศษมากคือมันไม่ใช่แค่การสังเกตข้อมูลที่มีอยู่แล้วเหมือนงานวิจัยส่วนใหญ่ในหัวข้อนี้ แต่ทีมวิจัยใช้อัลกอริทึม "People You May Know" ของ LinkedIn ทำการทดลองแบบสุ่มหลายชุดจริงๆ คือปรับสัดส่วนคนรู้จักห่างๆ ที่อัลกอริทึมแนะนำให้แต่ละคนแตกต่างกันไปโดยสุ่ม แล้วดูว่าใครได้งานใหม่บ้าง ครอบคลุมคนกว่า 20 ล้านคนตลอดระยะเวลา 5 ปี เกิดสายสัมพันธ์ใหม่ราว 2,000 ล้านเส้น และงานใหม่ราว 600,000 ตำแหน่ง

ผลลัพธ์ยืนยันทฤษฎีดั้งเดิมของ Granovetter จริง คือคนรู้จักห่างๆ ช่วยเพิ่มการเคลื่อนย้ายงานได้จริงในทางสาเหตุ ไม่ใช่แค่ความสัมพันธ์ทางสถิติ แต่สิ่งที่น่าสนใจกว่านั้นคือทีมวิจัยพบข้อเสนอใหม่ 3 ข้อที่แก้ไขทฤษฎีเดิม ข้อแรกคือความสัมพันธ์ไม่ใช่เส้นตรง แต่เป็นรูปตัว U คว่ำ กล่าวคือยิ่งสายสัมพันธ์อ่อนแอลงยิ่งช่วยได้งานมากขึ้นถึงจุดหนึ่ง แต่หลังจากนั้นผลตอบแทนกลับลดลง (diminishing marginal returns) พูดง่ายๆ คือห่างเกินไปก็ไม่ดี ต้องพอดี ข้อสองคือ เมื่อวัดความอ่อนแอของสายสัมพันธ์ด้วยวิธีต่างกัน ผลก็ต่างกันไปด้วย สายสัมพันธ์ที่ "อ่อนปานกลาง" (วัดจากจำนวนเพื่อนร่วมกัน) กับสายสัมพันธ์ที่ "อ่อนที่สุด" (วัดจากความถี่การมีปฏิสัมพันธ์) ต่างก็ให้ผลดีที่สุดในมุมของตัวเอง ข้อสามคือผลลัพธ์นี้ต่างกันไปตามอุตสาหกรรม คนรู้จักห่างๆ ช่วยได้มากในอุตสาหกรรมดิจิทัล ขณะที่สายสัมพันธ์แน่นแฟ้นกลับช่วยได้มากกว่าในอุตสาหกรรมที่ไม่ค่อยเป็นดิจิทัล

ข้อจำกัดที่สำคัญคืองานชิ้นนี้ศึกษาเฉพาะบนแพลตฟอร์ม LinkedIn เท่านั้น ซึ่งเป็นเครือข่ายวิชาชีพที่คนใช้เพื่อหางานโดยเฉพาะอยู่แล้ว ผลลัพธ์อาจไม่เหมือนกันทุกประการกับเครือข่ายสังคมทั่วไปที่ไม่ได้ออกแบบมาเพื่อจุดประสงค์นี้ และทีมวิจัยเองก็ยอมรับว่ายังไม่ได้วัดคุณภาพของงานที่ได้ (เช่น เงินเดือน ความก้าวหน้าในสายอาชีพ) เจาะลึกเท่ากับที่วัดว่า "ได้งานหรือไม่ได้งาน" แต่ก็ปฏิเสธไม่ได้ว่านี่คือหลักฐานเชิงสาเหตุที่หนักแน่นที่สุดเท่าที่เคยมีมาในหัวข้อนี้ คำถามที่ควรรู้ต่อคือ ถ้าคนรู้จักห่างๆ มีพลังขนาดนี้ในระดับอัลกอริทึมเดียว แล้วเมื่อมองภาพทั้งสังคมในระดับประเทศ สายสัมพันธ์แบบไหนที่ทำนายความสำเร็จทางเศรษฐกิจได้ดีที่สุดกันแน่

ขยายภาพจากอัลกอริทึมเดียวสู่สังคมทั้งประเทศ: มิตรภาพ 21,000 ล้านคู่บอกอะไร

Raj Chetty จาก Harvard พร้อมทีมวิจัยขนาดใหญ่กว่า 20 คน รวมถึง Matthew O. Jackson, Theresa Kuchler, Johannes Stroebel และ Nathaniel Hendren ตอบคำถามนี้ในงานชื่อ "Social Capital I: Measurement and Associations with Economic Mobility" ตีพิมพ์ใน *Nature* ปี 2022 (เล่ม 608 ฉบับ 7921 หน้า 108-121, DOI 10.1038/s41586-022-04996-4) สิ่งที่ทำให้งานชิ้นนี้ต่างจากงานของ Rajkumar และคณะคือขนาดข้อมูลที่ใหญ่กว่ามาก ทีมวิจัยได้รับอนุญาตให้เข้าถึงข้อมูลมิตรภาพบน Facebook กว่า 21,000 ล้านคู่ทั่วสหรัฐฯ แล้ววัด "ทุนทางสังคม" (social capital) 3 แบบแยกกันตามรหัสไปรษณีย์ คือ (1) การเชื่อมต่อข้ามกลุ่มฐานะทางเศรษฐกิจ (2) ความเหนียวแน่นทางสังคม เช่นความเป็นกลุ่มปิด และ (3) การมีส่วนร่วมของพลเมือง เช่นอัตราการเป็นอาสาสมัคร

ผลลัพธ์ที่น่าทึ่งที่สุดคือ ในบรรดาทุนทางสังคมทั้ง 3 แบบ มีเพียงตัวเดียวเท่านั้นที่ทำนายการเลื่อนสถานะทางเศรษฐกิจในวัยผู้ใหญ่ได้แข็งแรง นั่นคือ "economic connectedness" หรือสัดส่วนเพื่อนฐานะสูงที่คนฐานะต่ำมีอยู่ในเครือข่ายของตัวเอง ส่วนทุนทางสังคมอีก 2 แบบกลับไม่มีความสัมพันธ์ที่แข็งแรงนักกับการเลื่อนสถานะทางเศรษฐกิจ ทีมวิจัยคำนวณว่า ถ้าเด็กที่มาจากครอบครัวฐานะต่ำเติบโตในพื้นที่ที่มี economic connectedness เทียบเท่ากับพื้นที่ของเด็กฐานะสูงโดยเฉลี่ย รายได้ของพวกเขาตอนโตจะเพิ่มขึ้นราว 20% โดยเฉลี่ย ตัวเลขนี้น่าตกใจมาก เพราะมันแปลว่าการมีเพื่อนแบบไหนอาจสำคัญพอๆ กับปัจจัยอื่นที่เรามักพูดถึงกัน เช่น คุณภาพโรงเรียนหรือรายได้ครอบครัว ทีมวิจัยยังพบว่า economic connectedness สามารถอธิบายความสัมพันธ์ที่รู้กันมานานระหว่างการเลื่อนสถานะทางเศรษฐกิจกับการแบ่งแยกเชื้อชาติ อัตราความยากจน และความเหลื่อมล้ำได้เป็นอย่างดี

ข้อจำกัดสำคัญคืองานชิ้นนี้เป็นข้อมูลเชิงสหสัมพันธ์ระดับพื้นที่ (คำนวณจากรหัสไปรษณีย์) ไม่ใช่การทดลองแบบสุ่มเหมือนงานของ Rajkumar และคณะ จึงยืนยันความเป็นเหตุเป็นผลได้ไม่แน่นหนาเท่า และมิตรภาพบน Facebook ก็ไม่ได้เท่ากับสายสัมพันธ์ทางวิชาชีพโดยตรงเสมอไป แต่ทีมวิจัยได้ทำการวิเคราะห์เพิ่มเติมหลายแบบเพื่อทดสอบความทนทานของผลลัพธ์แล้ว และผลก็ยังคงสอดคล้องกัน งานชิ้นนี้จึงเป็นหลักฐานเชิงมหภาคที่มายืนยันในทิศทางเดียวกับการทดลองระดับจุลภาคของ Rajkumar และคณะ คำถามที่ตามมาคือ ถ้า economic connectedness สำคัญขนาดนี้ แล้วอะไรเป็นตัวกำหนดว่าใครจะมีมันมากหรือน้อย

แล้วทำไมบางคนถึงเข้าไม่ถึงเพื่อนฐานะสูง: สัมผัสไม่ถึง หรือถูกเลือกไม่คบ

ทีมผู้เขียนชุดเดียวกันตอบคำถามนี้ทันทีในบทความคู่แฝดชื่อ "Social Capital II: Determinants of Economic Connectedness" ตีพิมพ์ใน *Nature* ฉบับเดียวกันปี 2022 (เล่ม 608 ฉบับ 7921 หน้า 122-134, DOI 10.1038/s41586-022-04997-3) โดยแยกวิเคราะห์ว่าช่องว่างการเชื่อมต่อข้ามฐานะทางเศรษฐกิจที่เห็นในงานชิ้นแรก เกิดจากสาเหตุอะไรกันแน่ระหว่างการไม่มีโอกาสเจอกัน (exposure) กับการเจอกันแล้วแต่ไม่เลือกคบ (friending bias)

ผลลัพธ์คือ ราวครึ่งหนึ่งของช่องว่างการเชื่อมต่อข้ามฐานะทางเศรษฐกิจอธิบายได้จากความแตกต่างของการสัมผัสกับคนฐานะสูงในกลุ่มต่างๆ เช่น โรงเรียนหรือองค์กรศาสนา ส่วนอีกครึ่งหนึ่งอธิบายได้จาก "อคติในการเลือกคบ" คือคนฐานะต่ำมีแนวโน้มเลือกเป็นเพื่อนกับคนฐานะสูงน้อยกว่า แม้จะอยู่ในกลุ่มเดียวกันและมีโอกาสเจอกันเท่ากันก็ตาม สิ่งที่น่าสนใจที่สุดคือ อคตินี้ไม่ได้คงที่ แต่ขึ้นอยู่กับโครงสร้างของกลุ่มที่คนอยู่ด้วย เช่น อคติจะสูงกว่าในกลุ่มที่มีขนาดใหญ่และหลากหลาย และต่ำกว่าในองค์กรศาสนาเมื่อเทียบกับโรงเรียนหรือที่ทำงาน ทีมวิจัยยังใช้ข้อมูลความผันผวนของสัดส่วนนักเรียนฐานะสูงในแต่ละรุ่นของโรงเรียนมัธยม เพื่อพิสูจน์ว่าการเพิ่มการสัมผัสกับคนฐานะสูงจริงๆ ช่วยให้คนฐานะต่ำสร้างมิตรภาพกับคนฐานะสูงมากขึ้นได้ในโรงเรียนที่มีอคติต่ำ

ข้อค้นพบนี้สำคัญในทางปฏิบัติมาก เพราะมันบอกว่าการแก้ปัญหาต้องต่างกันไปตามบริบท ถ้าอคติในการเลือกคบต่ำ การรวมคนหลากหลายฐานะเข้าไว้ในพื้นที่เดียวกัน (socioeconomic integration) ก็เพียงพอที่จะเพิ่ม economic connectedness ได้ แต่ถ้าอคติสูง แค่เอาคนมาอยู่ในพื้นที่เดียวกันอาจไม่พอ ต้องมีความพยายามเชิงรุกมากขึ้นเพื่อกระตุ้นการเชื่อมต่อข้ามกลุ่มจริงๆ ข้อจำกัดคืองานชิ้นนี้ก็ยังเป็นข้อมูลเชิงสังเกตการณ์เช่นเดียวกับงานแรก แม้จะใช้ความผันผวนตามธรรมชาติของสัดส่วนนักเรียนมาช่วยเสริมความน่าเชื่อถือเชิงสาเหตุก็ตาม คำถามที่ควรรู้ต่อคือ ถ้าอคติแบบนี้เกิดขึ้นได้กับมิติฐานะทางเศรษฐกิจมิติเดียว แล้วถ้าคนคนหนึ่งเผชิญความเสียเปรียบพร้อมกันหลายมิติ เช่น ทั้งเพศ เชื้อชาติ และฐานะ จะเกิดอะไรขึ้น

เมื่ออัตลักษณ์หลายมิติซ้อนทับกัน ความเหลื่อมล้ำด้านสายสัมพันธ์ยิ่งขยายตัว

Samuel Martin-Gutierrez, Mauritz N. Cartier van Dissel และ Fariba Karimi ตอบคำถามนี้ในงานชื่อ "Intersectional Inequalities in Social Ties" ตีพิมพ์ใน *Science Advances* ปี 2025 (เล่ม 11 ฉบับ 45, DOI 10.1126/sciadv.adu9025) แทนที่จะเก็บข้อมูลใหม่ ทีมวิจัยสร้างแบบจำลองทางคณิตศาสตร์ของเครือข่ายทางสังคมที่มีอัตลักษณ์หลายมิติ แล้วปรับเทียบ (calibrate) แบบจำลองด้วยข้อมูลมิตรภาพจริงในโรงเรียนมัธยม เพื่อดูว่าเมื่ออัตลักษณ์หลายมิติมาบรรจบกัน ความเหลื่อมล้ำด้านจำนวนสายสัมพันธ์จะเปลี่ยนไปอย่างไร

ผลลัพธ์คือ เมื่ออัตลักษณ์หลายมิติมีความสัมพันธ์กัน (correlated) เช่น เพศกับเชื้อชาติที่มักเกิดขึ้นพร้อมกันในสังคมจริง ความเหลื่อมล้ำด้านจำนวนสายสัมพันธ์ที่เกิดขึ้นจะมีลักษณะที่คาดเดาไม่ได้และมองไม่เห็นเลยถ้าวิเคราะห์แค่มิติเดียว พูดง่ายๆ คือคนที่เสียเปรียบพร้อมกันหลายมิติไม่ได้แค่ "เสียเปรียบบวกกัน" ตรงไปตรงมา แต่ความเสียเปรียบสามารถขยายตัวกันเองแบบไม่เป็นเส้นตรง ทำให้คนบางกลุ่มเสียเปรียบมากกว่าที่คาดไว้จากการรวมความเสียเปรียบแต่ละมิติเข้าด้วยกันแบบง่ายๆ แบบจำลองนี้ให้สมการรูปแบบปิด (closed-form) ที่สามารถทำนายรูปแบบความเหลื่อมล้ำที่พบในข้อมูลจริงได้แม่นยำมาก งานชิ้นนี้ช่วยเติมเต็มภาพจากงานของ Chetty และคณะได้ดีมาก เพราะ Chetty มองแค่มิติฐานะทางเศรษฐกิจมิติเดียว แต่ในโลกจริง คนหนึ่งคนมักมีอัตลักษณ์หลายมิติที่เสียเปรียบพร้อมกัน

ข้อจำกัดคืองานชิ้นนี้เป็นแบบจำลองทางทฤษฎีเป็นหลัก ไม่ใช่การวัดผลจากข้อมูลเครือข่ายวิชาชีพหรือตลาดแรงงานโดยตรง แม้จะปรับเทียบด้วยข้อมูลมิตรภาพในโรงเรียนมัธยมจริงก็ตาม การขยายผลไปสู่บริบทการหางานหรือ LinkedIn จึงยังต้องอาศัยการตีความเพิ่มเติม แต่ก็ให้กรอบทฤษฎีที่อธิบายได้ดีว่าทำไมนโยบายที่ออกแบบมาแก้ความเหลื่อมล้ำแค่มิติเดียว (เช่น แก้เฉพาะเรื่องเพศ หรือแก้เฉพาะเรื่องฐานะ) อาจไม่พอสำหรับคนที่เผชิญความเสียเปรียบซ้อนกันหลายมิติ คำถามที่ควรรู้ต่อคือ ในระดับที่จับต้องได้กว่านี้ อคติแบบที่ Chetty พูดถึงมันแสดงออกมาเป็นพฤติกรรมจริงอย่างไรเวลาคนแนะนำงานให้กัน

กลไกระดับจุลภาค: คนแนะนำงานให้ใคร ขึ้นอยู่กับเพศจริงหรือไม่

Karin Hederos, Anna Sandberg, Lukas Kvissberg และ Erik Polano ตอบคำถามนี้ในงานชื่อ "Gender Homophily in Job Referrals: Evidence From a Field Study Among University Students" ตีพิมพ์ใน *Labour Economics* ปี 2025 (เล่ม 92 บทความเลขที่ 102662, DOI 10.1016/j.labeco.2024.102662) โดยทำการทดลองภาคสนามกับนักศึกษาที่ Stockholm School of Economics ในสวีเดน ให้นักศึกษาที่มีตำแหน่งงานพาร์ทไทม์หรือฝึกงานอยู่แล้ว แนะนำเพื่อนร่วมมหาวิทยาลัยคนอื่นสำหรับตำแหน่งงานต่างๆ เพื่อดูว่าเพศของผู้แนะนำมีผลต่อเพศของคนที่ถูกแนะนำหรือไม่

ผลลัพธ์คือ ทั้งนักศึกษาชายและหญิงต่างมีแนวโน้มแนะนำเพื่อนเพศเดียวกันของตัวเองมากกว่าเพศตรงข้าม และรูปแบบนี้ยิ่งชัดเจนขึ้นเมื่อตำแหน่งงานนั้นตรงกับภาพจำเหมารวมทางเพศของงานนั้นๆ พูดง่ายๆ คือองค์ประกอบทางเพศของคนที่แนะนำงาน จะสะท้อนออกมาเป็นองค์ประกอบทางเพศของคนที่ถูกแนะนำด้วย งานชิ้นนี้เป็นตัวอย่างที่จับต้องได้ง่ายที่สุดในบรรดางานวิจัยทั้ง 5 ชิ้นในบทความนี้ เพราะมันแสดงกลไกระดับบุคคลที่อธิบายว่า "friending bias" หรืออคติในการเลือกคบที่ Chetty และคณะพูดถึงในระดับมหภาค จริงๆ แล้วมันเกิดขึ้นจากพฤติกรรมเล็กๆ แบบนี้สะสมกันนับล้านครั้งในสังคม

ข้อจำกัดคือกลุ่มตัวอย่างเป็นนักศึกษามหาวิทยาลัยธุรกิจชั้นนำแห่งเดียวในสวีเดน ซึ่งอาจไม่สะท้อนพฤติกรรมของแรงงานทั่วไปในอุตสาหกรรมหรือประเทศอื่น และเป็นการทดลองในบริบทที่ควบคุมไว้ระดับหนึ่ง ไม่ใช่ข้อมูลพฤติกรรมจริงบน LinkedIn โดยตรง แต่ก็เป็นหลักฐานเชิงพฤติกรรมที่ชัดเจนว่าอคติทางเพศในการแนะนำงานมีอยู่จริงและวัดผลได้ ซึ่งเชื่อมโยงกลับไปที่คำถามใหญ่ของบทความนี้ได้พอดี คือถ้าอัลกอริทึมของ LinkedIn (Rajkumar และคณะ) ถูกฝึกจากพฤติกรรมมนุษย์ที่มีอคติแบบนี้อยู่แล้ว อัลกอริทึมก็มีความเสี่ยงจะขยายอคตินั้นต่อไปโดยไม่รู้ตัว แทนที่จะช่วยให้ทุกคนเข้าถึงคนรู้จักห่างๆ อย่างเท่าเทียมกัน

กรอบทัก–เปิด–ให้–เผื่อ

หลักฐานทั้ง 5 ชิ้นชี้ว่าคนรู้จักห่างๆ มีพลังจริง แต่ก็มีทั้งจุดที่ควรใช้และกับดักที่ควรระวัง เราจึงสังเคราะห์เป็นกรอบ ทัก–เปิด–ให้–เผื่อ สำหรับใช้ดูแลเครือข่ายอย่างตั้งใจแทนปล่อยให้เป็นไปตามธรรมชาติหรืออัลกอริทึมเพียงอย่างเดียว กรอบนี้เป็นเครื่องมือประยุกต์ของบทความ ไม่ใช่กลยุทธ์การหางานที่ผ่านการวิจัยแยกต่างหาก

1. ทัก — ทักคนรู้จักห่างๆ ที่ไม่ได้คุยกันมานาน

เพราะ Rajkumar และคณะ (2022) พิสูจน์ด้วยการทดลองสุ่มว่าคนรู้จักห่างๆ ช่วยเพิ่มโอกาสได้งานจริง อดีตเพื่อนร่วมงาน รุ่นพี่ที่เจอกันปีละครั้ง หรือคนที่เพิ่งเชื่อมต่อบน LinkedIn ล้วนเป็นจุดเริ่มต้นที่ดีกว่าที่คิด

2. เปิด — เปิดตัวเองสู่พื้นที่ที่มีความหลากหลาย

เพราะ Chetty และคณะ (2022) พบว่าครึ่งหนึ่งของช่องว่างการเชื่อมต่อข้ามฐานะมาจากการไม่มีโอกาสสัมผัสกันตั้งแต่ต้น การเข้าร่วมกิจกรรม ชมรม หรือกลุ่มที่มีความหลากหลายทางพื้นเพสูงกว่าวงที่คุ้นเคย ช่วยเปิดโอกาสให้เกิดสายสัมพันธ์ใหม่ที่ไม่เคยมี

3. ให้ — ให้โอกาสแนะนำงานข้ามกลุ่มที่ต่างจากตัวเอง

เพราะ Hederos และคณะ (2025) พบว่าคนมีแนวโน้มแนะนำงานให้คนเพศเดียวกันมากกว่า ซึ่งเป็นกลไกเล็กๆ ที่สะสมเป็นความเหลื่อมล้ำใหญ่ ลองตั้งใจนึกถึงคนที่มีพื้นเพต่างจากตัวเองบ้างเวลาจะแนะนำใครสักคนสำหรับตำแหน่งงาน

4. เผื่อ — เผื่อสมดุลระหว่างสายสัมพันธ์ใกล้และไกล

เพราะ Rajkumar และคณะ (2022) พบว่าความสัมพันธ์เป็นรูปตัว U คว่ำ ห่างเกินไปก็ให้ผลลดลง และผลต่างกันตามอุตสาหกรรม จึงไม่ควรทิ้งเครือข่ายใกล้ตัวไปทุ่มกับคนรู้จักห่างๆ อย่างเดียว แต่ควรรักษาทั้งสองแบบไว้ตามที่บริบทงานต้องการ

กรอบนี้เน้นที่การลงมือทำอย่างตั้งใจ เพราะหลักฐานชี้ว่าทั้งอคติของมนุษย์และของอัลกอริทึมมีแนวโน้มขยายวงแคบเดิมซ้ำๆ ถ้าไม่มีใครตั้งใจฝ่าออกไป

กรณีจำลอง: ทักคนรู้จักห่างๆ ที่ไม่ได้คุยกันมาห้าปี

สมมติว่า "ต้อม" ทำงานสายบัญชีมา 8 ปี รู้สึกอิ่มตัวกับงานเดิมและอยากเปลี่ยนสายไปทำงานด้านการเงินในบริษัทเทคโนโลยี แต่ไม่รู้จะเริ่มจากตรงไหน เพราะเพื่อนสนิทส่วนใหญ่ก็ทำงานสายบัญชีเหมือนกันหมด

ต้อมลอง ทัก อดีตรุ่นพี่ที่เคยฝึกงานด้วยกันเมื่อ 5 ปีก่อนแต่ไม่ได้คุยกันเลยตั้งแต่นั้น ผ่านข้อความสั้นๆ ทัก ทายสารทุกข์สุกดิบและเล่าว่ากำลังมองหาโอกาสใหม่ จากนั้น เปิด ตัวเองไปงานสัมมนาด้านฟินเทคที่ไม่เคยไปมาก่อนเพราะคิดว่า "ไม่ใช่สายตัวเอง" ทำให้ได้รู้จักคนใหม่ที่ทำงานในวงการที่สนใจ ระหว่างนั้นต้อมก็ ให้ โอกาสเพื่อนรุ่นน้องที่เพิ่งจบใหม่และมีพื้นเพต่างจากกลุ่มเพื่อนสนิทของตัวเอง โดยแนะนำให้รู้จักกับผู้ติดต่อในวงการที่ต้อมเพิ่งรู้จัก แทนที่จะแนะนำแต่คนในกลุ่มเดิม สุดท้ายต้อม เผื่อ เวลาให้ทั้งการรักษาความสัมพันธ์กับเพื่อนสายบัญชีเดิม (เผื่อไว้กรณีอยากกลับไปสายเดิม) และการสร้างสายสัมพันธ์ใหม่ในวงการที่สนใจไปพร้อมกัน ไม่ทิ้งฝั่งใดฝั่งหนึ่ง

สามเดือนต่อมา รุ่นพี่ที่ต้อมทักไปแนะนำตำแหน่งงานว่างในทีมการเงินของบริษัทเทคโนโลยีแห่งหนึ่งที่ตรงกับที่ต้อมมองหาพอดี กรณีนี้เป็น สถานการณ์จำลองเพื่อสาธิตวิธีคิด ไม่ใช่บุคคลจริงหรือผลลัพธ์ที่รับประกันได้สำหรับทุกคน

ลองเอาไปปรับใช้ดู

จากงานวิจัยทั้ง 5 ชิ้นนี้ สิ่งที่พอนำไปปรับใช้ได้จริงมีทั้งฝั่งคนหางานและฝั่งคนออกแบบระบบ/นโยบายครับ

1. ถ้าคุณกำลังหางานอยู่ อาจลองให้ความสำคัญกับคนรู้จักห่างๆ มากกว่าที่เคยคิด เพราะ Rajkumar และคณะ (2022) พิสูจน์ด้วยการทดลองสุ่มว่าคนรู้จักห่างๆ ช่วยเพิ่มโอกาสได้งานจริง ลองเชื่อมต่อกับอดีตเพื่อนร่วมงาน คนรู้จักจากงานสัมมนา หรือคนที่เจอกันไม่บ่อยดูบ้าง แทนที่จะพึ่งพาแค่วงเพื่อนสนิท 2. แต่ก็ไม่ต้องพยายามสะสมคนรู้จักที่ห่างเกินไปจนแทบไม่รู้จักกันเลย เพราะความสัมพันธ์เป็นรูปตัว U คว่ำตามที่ Rajkumar และคณะพบ ลองสังเกตว่างานในสายอาชีพของคุณเป็นสายดิจิทัลหรือไม่ ถ้าใช่ คนรู้จักห่างๆ อาจช่วยได้มาก แต่ถ้าเป็นสายที่ไม่ค่อยเป็นดิจิทัล สายสัมพันธ์แน่นแฟ้นอาจยังสำคัญกว่า 3. สำหรับคนที่รู้สึกว่าเครือข่ายของตัวเองไม่ค่อยหลากหลาย อาจลองมองหาโอกาสที่ทำให้ได้สัมผัสกับคนต่างฐานะหรือต่างพื้นเพมากขึ้น เพราะ Chetty และคณะ (2022) พบว่าครึ่งหนึ่งของช่องว่างการเชื่อมต่อมาจากการไม่มีโอกาสเจอกันเลยตั้งแต่ต้น การเข้าร่วมกิจกรรม ชมรม หรือพื้นที่ที่มีความหลากหลายสูงอาจช่วยเปิดโอกาสที่ไม่เคยมีมาก่อน 4. ถ้าคุณอยู่ในตำแหน่งที่ต้องแนะนำคนอื่นสำหรับงาน อาจลองสังเกตตัวเองว่ากำลังแนะนำแต่คนที่หน้าตาคล้ายตัวเองหรือเปล่า เพราะ Hederos และคณะ (2025) พบอคติทางเพศในการแนะนำงานที่ชัดเจน การตั้งใจนึกถึงคนที่มีพื้นเพต่างจากตัวเองบ้างเวลาจะแนะนำใครสักคน อาจช่วยลดวงจรอคติที่สะสมมานี้ได้บ้าง 5. สำหรับคนที่ออกแบบนโยบายองค์กรหรือระบบแนะนำเครือข่าย ควรตระหนักว่าความเสียเปรียบหลายมิติซ้อนทับกันไม่ได้บวกกันตรงๆ ตามที่ Martin-Gutierrez และคณะ (2025) ชี้ไว้ นโยบายที่แก้ปัญหาแค่มิติเดียว เช่น เพศอย่างเดียวหรือฐานะอย่างเดียว อาจไม่พอสำหรับคนที่เผชิญความเสียเปรียบซ้อนกันหลายมิติพร้อมกัน ควรพิจารณาแบบองค์รวมมากกว่า 6. ไม่ควรมองอัลกอริทึมแนะนำเครือข่ายอย่าง LinkedIn ว่าเป็นกลางโดยอัตโนมัติ เพราะถ้าอัลกอริทึมเรียนรู้จากพฤติกรรมมนุษย์ที่มีอคติแบบที่ Hederos และคณะพบ มันก็มีความเสี่ยงจะขยายอคตินั้นต่อไปโดยไม่ตั้งใจ ทั้งฝั่งผู้ใช้และฝั่งบริษัทที่พัฒนาแพลตฟอร์มน่าจะลองตั้งคำถามกับเรื่องนี้อยู่เสมอ ไม่ใช่ปล่อยให้ระบบทำงานไปเองโดยไม่มีการตรวจสอบ