LinkedIn ทดลองกับคน 20 ล้านคนทั่วโลก พบว่า "คนรู้จักห่างๆ" ช่วยให้ได้งานใหม่จริง แต่ยิ่งห่างยิ่งดีไม่จริงเสมอไป

ลองนึกภาพอดีตเพื่อนร่วมงานที่ไม่ได้คุยกันมาห้าปี จู่ๆ ทักมาแนะนำตำแหน่งงานที่ตรงกับที่คุณกำลังมองหาพอดี หรือรุ่นพี่ที่เจอกันแค่ในงานสัมมนาปีละครั้งกลายเป็นคนที่เปิดประตูโอกาสใหญ่ที่สุดในอาชีพให้ ไม่ใช่เพื่อนสนิทที่คุยกันทุกวันเลยสักคน เหตุการณ์แบบนี้เกิดขึ้นบ่อยกว่าที่คิดกับคนจำนวนมาก และมีชื่อเรียกในวงการวิชาการมานานแล้วครับ 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