เรียนแทบตาย สุดท้าย AI ทำแทน เมื่อปริญญาอาจไม่ใช่คำตอบสุดท้าย

ของอนาคตการทำงาน

เราใช้เวลาเกือบ 20 ปีไปกับการเรียนหนังสือ ฝึกทักษะ สอบแข่งขัน และพยายามทำทุกอย่างเพื่อให้มีอนาคตที่ดี แต่วันหนึ่งกลับพบว่า AI สามารถทำงานบางอย่างที่เราใช้เวลาหลายปีฝึกฝนได้ภายในไม่กี่วินาที แล้วคนรุ่นใหม่ควรเรียนอะไร ในวันที่ความสามารถของมนุษย์กำลังถูกท้าทายโดยเทคโนโลยี

ลองจินตนาการว่า คุณเป็นนักศึกษาปี 4 ที่กำลังนั่งทำรายงานวิชาสุดท้ายก่อนเรียนจบ คุณใช้เวลาหลายชั่วโมงค้นคว้าข้อมูล อ่านบทความวิชาการ เขียนรายงาน และแก้ไขประโยคภาษาอังกฤษให้ถูกต้อง บางช่วงก็ต้องเปิด Google Translate บางช่วงก็ต้องกลับไปอ่านหนังสือที่อาจารย์แนะนำ และบางช่วงก็เริ่มสงสัยว่าทำไมชีวิตมหาวิทยาลัยถึงต้องมีรายงานมากมายขนาดนี้

ระหว่างที่กำลังจะส่งงาน เพื่อนคนหนึ่งเดินมาบอกว่า

“ทำไมไม่ใช้ AI หละ เราทำเสร็จตั้งแต่เมื่อคืนแล้ว ใช้เวลาไม่ถึงครึ่งชั่วโมง” คุณอาจรู้สึกหลายอย่างพร้อมกัน ทั้งตกใจ หงุดหงิด อิจฉานิดๆ และเริ่มสงสัยว่าความพยายามของตัวเองยังมีความหมายอยู่รึป่าว 

แต่เรื่องยังไม่จบแค่นั้น

อีกไม่กี่เดือนต่อมา คุณเรียนจบและเริ่มสมัครงาน บริษัทที่คุณสนใจประกาศรับพนักงานใหม่ แต่ในรายละเอียดงานกลับระบุว่า ผู้สมัครต้องสามารถใช้ AI เพื่อเพิ่มประสิทธิภาพการทำงานได้ บางบริษัทเริ่มใช้ AI ช่วยเขียนเนื้อหา วิเคราะห์ข้อมูล ออกแบบสื่อ และตอบคำถามลูกค้า ขณะที่บางองค์กรกำลังพิจารณาว่าจะจ้างพนักงานเพิ่ม หรือใช้เทคโนโลยีทำงานบางส่วนแทน

แล้วคุณก็เริ่มตั้งคำถามกับตัวเองว่า

“ตกลงสิ่งที่เราเรียนมาตลอดหลายปี ยังมีคุณค่าอยู่ไหม”

คำถามนี้ไม่ได้เกิดขึ้นกับนักศึกษาไทยเท่านั้น แต่กำลังกลายเป็นประเด็นสำคัญในมหาวิทยาลัยและตลาดแรงงานทั่วโลก เพราะ AI ไม่ได้กำลังเปลี่ยนแค่เครื่องมือที่เราใช้ทำงาน แต่กำลังเปลี่ยนความหมายของคำว่า ความรู้ ทักษะ ความสามารถ และแม้กระทั่งความสำเร็จ ที่น่าสนใจคือ เราอาจกำลังเป็นคนรุ่นแรกๆ ที่ต้องเรียนรู้วิธีทำงานร่วมกับเทคโนโลยีซึ่งสามารถทำงานทางความคิดบางอย่างได้ใกล้เคียงหรือดีกว่ามนุษย์ในบางเงื่อนไข

ในอดีต เครื่องจักรเข้ามาช่วยมนุษย์ยกของหนัก รถยนต์ช่วยให้เดินทางเร็วขึ้น และคอมพิวเตอร์ช่วยคำนวณตัวเลขที่ซับซ้อน แต่วันนี้ AI สามารถช่วยเขียนบทความ วิเคราะห์ข้อมูล สร้างภาพ แต่งเพลง และเสนอแนวคิดใหม่ๆ ได้

สิ่งที่เคยถูกมองว่าเป็นความสามารถเฉพาะของมนุษย์จึงกำลังถูกตั้งคำถาม และบางที สิ่งที่น่ากังวลที่สุดอาจไม่ใช่การที่ AI เก่งขึ้นเรื่อยๆ แต่เป็นการที่เรายังไม่แน่ใจว่าความเก่งแบบไหนจะมีคุณค่าในโลกอนาคต

เมื่อ AI ทำสิ่งที่เราเคยคิดว่าต้องใช้คนเก่งเท่านั้น

ในอดีต หากคุณเขียนภาษาอังกฤษได้ดี วิเคราะห์ข้อมูลเป็น หรือเขียนโปรแกรมได้ คุณอาจมีข้อได้เปรียบในการสมัครงาน ทักษะเหล่านี้ต้องใช้เวลาเรียนรู้และฝึกฝน บางคนลงทุนเรียนพิเศษ บางคนฝึกทำโครงการหลายปีเพื่อสร้างความเชี่ยวชาญ แต่การมาถึงของ Generative AI ทำให้การทำงานบางประเภทกลายเป็นเรื่องที่เข้าถึงได้ง่ายขึ้นอย่างรวดเร็ว

วันนี้ AI สามารถช่วยเขียนอีเมลภาษาอังกฤษ สรุปบทความวิชาการ สร้างภาพประกอบ เขียนโค้ดเบื้องต้น วิเคราะห์ข้อมูล และเสนอแนวทางแก้ไขปัญหาได้ภายในเวลาไม่กี่วินาที ลองนึกถึงนักศึกษาที่ฝึกเขียนภาษาอังกฤษมาหลายปี เพราะเชื่อว่าทักษะนี้จะทำให้มีโอกาสได้งานดีขึ้น วันหนึ่งเขาพบว่า AI สามารถช่วยร่างและปรับภาษาอังกฤษได้อย่างรวดเร็ว หรือคนที่เคยใช้เวลาหลายชั่วโมงสร้างสไลด์นำเสนอ วันนี้อาจใช้ AI ช่วยจัดโครงสร้างและออกแบบได้ภายในไม่กี่นาที คำถามคือ ถ้าเทคโนโลยีทำสิ่งเหล่านี้ได้ง่ายขึ้น ความสามารถที่เราเคยภาคภูมิใจจะยังมีคุณค่าอยู่หรือไม่

คำตอบอาจไม่ได้ง่ายอย่างที่คิด เพราะการที่ AI สามารถสร้างผลงานได้ ไม่ได้หมายความว่ามันเข้าใจความหมายหรือผลกระทบของผลงานนั้นในแบบเดียวกับมนุษย์

AI อาจเขียนบทความเกี่ยวกับความยากจนได้อย่างสละสลวย แต่ไม่ได้หมายความว่ามันมีประสบการณ์ชีวิตของคนที่ต้องเลือกระหว่างซื้ออาหารกับจ่ายค่าเช่าห้อง AI อาจเขียนข้อเสนอนโยบายสิ่งแวดล้อมได้ แต่ไม่ได้หมายความว่ามันเข้าใจความสัมพันธ์ระหว่างชุมชนกับทรัพยากรธรรมชาติอย่างครบถ้วน แน่นอนว่า AI สามารถประมวลผลข้อมูลจากประสบการณ์ของผู้คนจำนวนมากได้ และบางครั้งอาจช่วยให้เรามองเห็นประเด็นที่ไม่เคยนึกถึงมาก่อน แต่ความสามารถในการสร้างคำตอบกับความรับผิดชอบต่อคำตอบนั้นยังเป็นคนละเรื่องกัน

นี่คือเหตุผลว่าทำไมความรู้พื้นฐานยังคงสำคัญ

หากคุณไม่เข้าใจภาษาอังกฤษเลย คุณอาจไม่รู้ว่า AI แปลผิดตรงไหน หากคุณไม่เข้าใจสถิติ คุณอาจไม่สามารถตรวจสอบผลการวิเคราะห์ที่ AI สร้างขึ้น และหากคุณไม่มีความรู้เกี่ยวกับสังคม คุณอาจไม่รู้ว่าข้อเสนอของ AI กำลังมองข้ามคนกลุ่มใด

ดังนั้น AI อาจไม่ได้ทำให้ความรู้หมดความสำคัญ แต่กำลังเปลี่ยนวิธีที่เราต้องใช้ความรู้

จากเดิมที่เราอาจให้คุณค่ากับการจดจำข้อมูลและสร้างคำตอบด้วยตนเองมากที่สุด ไปสู่การให้ความสำคัญกับการตั้งคำถาม ตรวจสอบข้อมูล เชื่อมโยงความรู้ และใช้วิจารณญาณในการตัดสินใจ

AI อาจช่วยเราเขียนได้ แต่ไม่ได้หมายความว่ามันรู้เสมอไปว่าอะไรควรถูกเขียน และอะไรไม่ควรถูกเขียน

AI จะมาแย่งงานจริงไหม หรือเรากำลังกลัวเกินไป

ทุกครั้งที่มีเทคโนโลยีใหม่เกิดขึ้น มักมีคำถามตามมาว่า มนุษย์จะตกงานหรือไม่ เมื่อเครื่องจักรเข้ามาในโรงงาน คนงานจำนวนหนึ่งกังวลว่าจะถูกแทนที่ เมื่อคอมพิวเตอร์แพร่หลาย พนักงานสำนักงานบางส่วนกังวลว่างานของตนจะหายไป และเมื่ออินเทอร์เน็ตเติบโต ธุรกิจหลายประเภทก็ต้องปรับตัวครั้งใหญ่ แต่ AI มีความแตกต่างจากเทคโนโลยีในอดีตบางประการ เพราะมันไม่ได้เข้ามาทำงานที่ใช้แรงกายหรือการคำนวณซ้ำๆ เท่านั้น แต่ยังสามารถช่วยทำงานที่เกี่ยวข้องกับภาษา การวิเคราะห์ และการสร้างสรรค์ ซึ่งเคยเป็นพื้นที่สำคัญของแรงงานที่มีการศึกษาสูง นั่นทำให้ความกังวลครั้งนี้ไม่ได้จำกัดอยู่เฉพาะแรงงานในโรงงาน แต่ขยายไปถึงนักบัญชี นักกฎหมาย นักออกแบบ นักเขียนโปรแกรม นักข่าว และคนทำงานสำนักงานจำนวนมาก

อย่างไรก็ตาม การที่ AI สามารถทำงานบางอย่างได้ ไม่ได้หมายความว่าทั้งอาชีพจะหายไป

นักบัญชีไม่ได้มีหน้าที่เพียงบันทึกตัวเลข แต่ยังต้องตรวจสอบความถูกต้อง วิเคราะห์ความเสี่ยง และให้คำแนะนำภายใต้กฎระเบียบทางการเงิน นักข่าวไม่ได้มีหน้าที่เพียงเขียนข่าว แต่ยังต้องตรวจสอบข้อเท็จจริง สัมภาษณ์แหล่งข่าว และตัดสินใจว่าอะไรควรได้รับความสนใจจากสาธารณะ ส่วนอาจารย์มหาวิทยาลัยไม่ได้มีหน้าที่เพียงบรรยายเนื้อหา แต่ยังต้องออกแบบการเรียนรู้ ประเมินความเข้าใจ ให้คำปรึกษา และช่วยให้นักศึกษาพัฒนาความสามารถในการคิดด้วยตนเอง

ในทางเศรษฐศาสตร์ เราอาจอธิบายปรากฏการณ์นี้ผ่านสองแนวคิด คือ Automation หรือการใช้เทคโนโลยีทำงานบางอย่างแทนมนุษย์ และ Augmentation หรือการใช้เทคโนโลยีเพิ่มขีดความสามารถให้มนุษย์ทำงานได้ดีขึ้น

ความแตกต่างของสองแนวคิดนี้สำคัญมาก เพราะ AI ตัวเดียวกันอาจถูกนำไปใช้เพื่อเพิ่มศักยภาพของพนักงาน หรือเพื่อลดจำนวนพนักงานก็ได้ ตัวอย่างเช่น บริษัทแห่งหนึ่งอาจใช้ AI ช่วยให้พนักงานทำงานเสร็จเร็วขึ้น แล้วนำเวลาที่เหลือไปพัฒนาบริการใหม่ๆ ขณะที่อีกบริษัทอาจใช้ AI เพื่อให้พนักงานจำนวนน้อยลงทำงานได้เท่าเดิม

ทั้งสองบริษัทใช้เทคโนโลยีคล้ายกัน แต่ผลกระทบต่อแรงงานแตกต่างกันอย่างมาก

ดังนั้น การเปลี่ยนแปลงของตลาดแรงงานไม่ได้ถูกกำหนดโดยความสามารถของ AI เพียงอย่างเดียว แต่ยังขึ้นอยู่กับนโยบายขององค์กร กฎหมายแรงงาน สภาพเศรษฐกิจ และอำนาจต่อรองของพนักงานด้วย

คำถามที่สำคัญจึงไม่ใช่เพียงว่า AI จะทำงานแทนมนุษย์ได้มากแค่ไหน แต่คือ ใครเป็นผู้ตัดสินใจว่า AI ควรทำงานแทนมนุษย์ในเรื่องใด และใครจะได้รับประโยชน์จากการตัดสินใจนั้น

เมื่อ AI อาจไม่ได้แย่งงานทุกคน แต่กำลังเปลี่ยนโอกาสของเด็กจบใหม่

ในปี 2025 องค์การแรงงานระหว่างประเทศ หรือ International Labour Organization (ILO) เผยแพร่ผลการศึกษาที่พบว่า ประมาณหนึ่งในสี่ของการจ้างงานทั่วโลกอยู่ในอาชีพที่มีงานบางส่วนอาจได้รับผลกระทบจาก Generative AI อย่างไรก็ตาม ข้อสรุปสำคัญของรายงานไม่ได้บอกว่างานหนึ่งในสี่จะหายไป หากชี้ว่างานส่วนใหญ่มีแนวโน้มจะถูกเปลี่ยนรูปแบบมากกว่าถูกแทนที่ทั้งหมด ขณะเดียวกัน งานวิจัยจาก Stanford Digital Economy Lab ซึ่งปรับปรุงข้อมูลในเดือนสิงหาคม 2026 พบสัญญาณที่น่าสนใจสำหรับคนรุ่นใหม่ จากข้อมูลการจ้างงานของสหรัฐอเมริกาจนถึงเดือนมิถุนายน 2026 นักวิจัยพบว่าแรงงานอายุ 22–25 ปีในอาชีพที่สัมผัส AI สูง มีระดับการจ้างงานต่ำกว่าแนวโน้มเชิงเปรียบเทียบประมาณ 19% เมื่อเทียบกับแรงงานวัยเดียวกันในอาชีพที่สัมผัส AI ต่ำกว่า ตัวเลขนี้ไม่ได้หมายความว่า AI ทำให้คนตกงาน 19% โดยตรง แต่สะท้อนความเป็นไปได้ว่าคนที่เพิ่งเริ่มต้นทำงานอาจกำลังเผชิญแรงกดดันมากกว่าคนที่มีประสบการณ์แล้ว

ทำไมเด็กจบใหม่จึงอาจได้รับผลกระทบมากกว่าคนทำงานที่มีประสบการณ์

ลองนึกถึงบริษัทแห่งหนึ่งที่เคยรับพนักงานใหม่มาช่วยสรุปข้อมูล เขียนรายงานเบื้องต้น เตรียมเอกสาร หรือทำงานที่ไม่ซับซ้อนมากนัก งานเหล่านี้อาจไม่ได้ต้องใช้ความเชี่ยวชาญสูง แต่มีความสำคัญอย่างยิ่งต่อการเรียนรู้ของคนที่เพิ่งเริ่มทำงาน เพราะไม่มีใครเกิดมาเป็นผู้เชี่ยวชาญตั้งแต่วันแรก นักบัญชีที่มีประสบการณ์สิบปีเคยเป็นพนักงานใหม่ที่ต้องเรียนรู้การทำบัญชี นักข่าวที่สัมภาษณ์คนเก่งเคยเป็นนักข่าวฝึกหัดที่ต้องฝึกตั้งคำถาม และวิศวกรที่ออกแบบระบบซับซ้อนได้ก็เคยเริ่มต้นจากงานพื้นฐานเช่นกัน แต่เมื่อ AI สามารถช่วยทำงานระดับเริ่มต้นได้มากขึ้น บริษัทบางแห่งอาจเลือกใช้เทคโนโลยีแทนการเพิ่มพนักงานใหม่ ปัญหาที่ตามมาคือ หากไม่มีใครได้รับโอกาสเริ่มต้น แล้วคนรุ่นใหม่จะสะสมประสบการณ์เพื่อก้าวไปเป็นผู้เชี่ยวชาญได้อย่างไร นี่อาจเป็นหนึ่งในความย้อนแย้งที่สำคัญที่สุดของตลาดแรงงานยุค AI

บริษัทต้องการคนมีประสบการณ์ แต่เทคโนโลยีอาจกำลังลดโอกาสที่คนรุ่นใหม่จะได้สร้างประสบการณ์นั้น ลองนึกถึงประกาศรับสมัครงานที่ระบุว่า “ยินดีรับนักศึกษาจบใหม่ แต่ต้องมีประสบการณ์ทำงานอย่างน้อยสองปี” ซึ่งเป็นประโยคที่ทำให้เด็กจบใหม่จำนวนมากอยากถามกลับว่า แล้วจะให้ไปหาประสบการณ์จากที่ไหนก่อน ในยุค AI คำถามนี้อาจยิ่งมีความสำคัญมากขึ้น อย่างไรก็ตาม งานวิจัยดังกล่าวเป็นข้อมูลจากสหรัฐอเมริกา จึงไม่ควรนำมาอธิบายตลาดแรงงานไทยโดยตรง และการเปลี่ยนแปลงของการจ้างงานยังมีปัจจัยอื่นร่วมด้วย ทั้งภาวะเศรษฐกิจ การปรับโครงสร้างธุรกิจ และนโยบายขององค์กร

สิ่งที่เราควรเรียนรู้จากข้อมูลเหล่านี้จึงไม่ใช่การสรุปว่า AI จะทำให้เด็กจบใหม่ตกงานทั้งหมด แต่เป็นการตระหนักว่าระบบการศึกษาและตลาดแรงงานอาจต้องร่วมกันออกแบบเส้นทางเข้าสู่อาชีพใหม่ เพื่อไม่ให้คนรุ่นใหม่ถูกตัดโอกาสตั้งแต่ยังไม่ได้เริ่มต้น

อนาคตจะยังมีงานให้มนุษย์ทำหรือไม่

รายงาน Future of Jobs Report 2025 ของ World Economic Forum คาดการณ์ว่าภายในปี 2030 การเปลี่ยนแปลงด้านเทคโนโลยี เศรษฐกิจ ประชากร และสิ่งแวดล้อม อาจทำให้เกิดตำแหน่งงานใหม่ประมาณ 170 ล้านตำแหน่ง ขณะเดียวกันอาจมีตำแหน่งงานเดิมถูกแทนที่หรือหายไปประมาณ 92 ล้านตำแหน่ง หากเป็นไปตามการคาดการณ์ จะมีตำแหน่งงานเพิ่มขึ้นสุทธิประมาณ 78 ล้านตำแหน่งทั่วโลก

ตัวเลขเหล่านี้อาจทำให้หลายคนรู้สึกโล่งใจว่า อย่างน้อยโลกก็ยังมีงานเพิ่มขึ้น แต่มีคำถามสำคัญที่ซ่อนอยู่คือ งานที่เพิ่มขึ้นจะเป็นงานประเภทเดียวกับงานที่หายไปหรือไม่ คนที่สูญเสียงานจะสามารถย้ายไปทำงานใหม่ได้ทันทีหรือเปล่า และนักศึกษาที่กำลังเรียนอยู่ในวันนี้จะมีทักษะตรงกับงานที่เกิดขึ้นในอนาคตหรือไม่

สมมติว่างานธุรการบางประเภทลดลง แต่ความต้องการผู้เชี่ยวชาญด้านข้อมูล ความปลอดภัยไซเบอร์ หรือพลังงานสะอาดเพิ่มขึ้น คนที่เคยทำงานธุรการอาจไม่สามารถเปลี่ยนไปทำงานด้านเทคโนโลยีได้ทันทีโดยไม่มีการฝึกอบรมเพิ่มเติม

นี่คือปัญหา Skills Mismatch หรือความไม่สอดคล้องระหว่างทักษะของแรงงานกับความต้องการของตลาด แต่ปัญหานี้ไม่ได้เป็นเพียงเรื่องของการเรียนรู้ทักษะใหม่เท่านั้น เพราะการเปลี่ยนอาชีพมีต้นทุน ทั้งค่าใช้จ่าย เวลา และความเสี่ยง

คนที่มีเงินเก็บอาจสามารถลาออกไปเรียนหลักสูตรใหม่ได้หลายเดือน ขณะที่คนที่ต้องทำงานหาเลี้ยงครอบครัวอาจไม่มีทางเลือกเช่นนั้น ดังนั้น แม้จำนวนงานโดยรวมอาจเพิ่มขึ้น แต่ไม่ได้หมายความว่าทุกคนจะได้รับประโยชน์เท่ากัน

การเปลี่ยนผ่านทางเทคโนโลยีจึงต้องมีระบบการศึกษา การฝึกอบรม และนโยบายแรงงานที่ช่วยให้คนปรับตัวได้จริง ไม่ใช่เพียงบอกให้ทุกคนไปเรียนรู้ AI แล้วปล่อยให้แต่ละคนรับผิดชอบอนาคตของตัวเองทั้งหมด

คนใช้ AI เก่งจะได้เปรียบ หรือคนที่มีเงินซื้อ AI เก่งกว่าจะได้เปรียบ

เมื่อพูดถึงอนาคตการทำงาน เรามักได้ยินคำแนะนำว่า “อย่ากลัว AI แต่ต้องเรียนรู้ที่จะใช้ AI”

คำแนะนำนี้มีเหตุผล แต่ก็อาจมองข้ามความจริงบางอย่าง เพราะไม่ใช่ทุกคนมีโอกาสเข้าถึงเทคโนโลยีเท่ากัน

ลองเปรียบเทียบนักศึกษาสองคน

คนแรกมีคอมพิวเตอร์ประสิทธิภาพสูง อินเทอร์เน็ตที่เสถียร สามารถสมัครใช้ AI แบบเสียเงินได้หลายแพลตฟอร์ม และมีอาจารย์ที่ช่วยสอนวิธีใช้ AI อย่างเหมาะสม

อีกคนใช้โทรศัพท์มือถือเครื่องเดียวในการเรียน มีอินเทอร์เน็ตจำกัด และไม่สามารถจ่ายค่าสมัครบริการ AI ได้

แม้ทั้งสองคนจะมีความสามารถและความตั้งใจใกล้เคียงกัน แต่โอกาสในการเรียนรู้และใช้เทคโนโลยีอาจแตกต่างกันอย่างมาก นี่คือแนวคิด Digital Divide หรือความเหลื่อมล้ำทางดิจิทัล

ในอดีต เราอาจมองความเหลื่อมล้ำทางดิจิทัลผ่านคำถามว่า ใครมีคอมพิวเตอร์หรืออินเทอร์เน็ตใช้บ้าง แต่ในยุค AI คำถามอาจซับซ้อนขึ้น

ใครเข้าถึง AI ที่มีคุณภาพได้ ใครรู้วิธีตรวจสอบคำตอบของ AI ใครมีความรู้พื้นฐานมากพอที่จะรู้ว่า AI กำลังตอบผิด และใครสามารถใช้ AI เพื่อสร้างโอกาสทางเศรษฐกิจให้กับตัวเองได้

ความเหลื่อมล้ำจึงไม่ได้เกิดจากการมีหรือไม่มีเทคโนโลยีเท่านั้น แต่ยังเกิดจากความสามารถในการใช้เทคโนโลยีให้เกิดประโยชน์ด้วย ประเด็นนี้น่าสนใจเป็นพิเศษเมื่อเชื่อมโยงกับการศึกษา เพราะหากมหาวิทยาลัยเริ่มกำหนดให้นักศึกษาต้องใช้ AI ในการทำงาน แต่ไม่ได้จัดเตรียมทรัพยากรและการฝึกอบรมอย่างทั่วถึง นักศึกษาที่มีฐานะทางเศรษฐกิจดีกว่าอาจได้เปรียบมากขึ้น เทคโนโลยีที่ควรช่วยลดช่องว่างทางการศึกษา จึงอาจกลายเป็นเครื่องมือที่ขยายความเหลื่อมล้ำโดยไม่ตั้งใจ และนี่ทำให้คำถามเรื่อง AI ไม่ใช่เพียงเรื่องของความทันสมัย แต่เป็นเรื่องของความเป็นธรรมทางสังคมด้วย

ถ้า AI ทำรายงานได้ แล้วเราจะเรียนมหาวิทยาลัยไปทำไม

นี่อาจเป็นคำถามที่ท้าทายมหาวิทยาลัยมากที่สุดในยุคนี้ หาก AI สามารถสรุปหนังสือ เขียนเรียงความ สร้างสไลด์ และตอบคำถามได้ภายในไม่กี่วินาที การเรียนมหาวิทยาลัยยังจำเป็นอยู่หรือไม่

คำตอบอาจขึ้นอยู่กับว่าเราเชื่อว่ามหาวิทยาลัยมีหน้าที่อะไร

หากมหาวิทยาลัยมีหน้าที่เพียงถ่ายทอดข้อมูลให้นักศึกษาจดจำ เทคโนโลยีก็อาจเข้ามาทำหน้าที่บางส่วนได้อย่างมีประสิทธิภาพ แต่หากการศึกษาหมายถึงการฝึกคิด วิเคราะห์ ตั้งคำถาม ทำความเข้าใจผู้อื่น และตัดสินใจอย่างมีเหตุผล บทบาทของมหาวิทยาลัยก็ยังมีความสำคัญ

ลองนึกถึงนักศึกษาที่ได้รับมอบหมายให้วิเคราะห์ปัญหาน้ำท่วมในกรุงเทพมหานคร

นักศึกษาอาจใช้ AI ช่วยค้นหาข้อมูลเกี่ยวกับสาเหตุของน้ำท่วม สรุปนโยบายการจัดการน้ำ และเสนอแนวทางแก้ไขปัญหา

AI อาจเสนอให้สร้างระบบระบายน้ำเพิ่มเติม เพิ่มพื้นที่สีเขียว หรือปรับปรุงระบบเตือนภัย ซึ่งอาจเป็นข้อเสนอที่มีเหตุผลในเชิงเทคนิค แต่เมื่อเราลงพื้นที่จริง อาจพบว่าปัญหามีความซับซ้อนมากกว่านั้น ชุมชนบางแห่งอาจไม่ต้องการย้ายออกจากพื้นที่เสี่ยงน้ำท่วม เพราะมีความผูกพันกับบ้านและอาชีพ บางครอบครัวอาจไม่มีเงินซ่อมแซมบ้าน บางพื้นที่อาจมีข้อจำกัดด้านกรรมสิทธิ์ที่ดิน หรือบางกลุ่มอาจไม่สามารถเข้าถึงข้อมูลเตือนภัยผ่านโทรศัพท์มือถือได้ การแก้ปัญหาจึงไม่ได้มีเพียงคำตอบทางเทคนิค แต่ต้องเข้าใจชีวิตของผู้คนด้วย

นี่คือความแตกต่างระหว่างการมีข้อมูลกับการมีความเข้าใจ

ในทางการศึกษา เราอาจเรียกความสามารถนี้ว่า Critical Thinking หรือการคิดเชิงวิพากษ์ ซึ่งไม่ได้หมายถึงการวิจารณ์ทุกอย่าง แต่หมายถึงการประเมินหลักฐาน ตรวจสอบสมมติฐาน พิจารณามุมมองที่แตกต่าง และสามารถอธิบายเหตุผลของข้อสรุปได้

หาก AI ตอบคำถามได้เร็วขึ้น สิ่งที่มหาวิทยาลัยควรให้ความสำคัญอาจไม่ใช่การทำให้นักศึกษาตอบได้เร็วกว่า AI แต่เป็นการทำให้นักศึกษารู้ว่า คำตอบนั้นน่าเชื่อถือหรือไม่ และควรนำไปใช้อย่างไร

บางทีคุณค่าของมหาวิทยาลัยในอนาคตอาจไม่ได้อยู่ที่การเป็นสถานที่ซึ่งมีข้อมูลมากที่สุดอีกต่อไป แต่อยู่ที่การเป็นพื้นที่ที่ผู้คนได้เรียนรู้วิธีคิด ทำงานร่วมกัน และรับผิดชอบต่อผลของการตัดสินใจ

เมื่อ AI ทำการบ้านได้ เราจะรู้ได้อย่างไรว่าใครเรียนรู้จริง

ลองนึกถึงรายวิชาที่อาจารย์มอบหมายให้นักศึกษาเขียนรายงาน 10 หน้า นักศึกษาคนหนึ่งใช้เวลาหลายวันอ่านเอกสาร วิเคราะห์ข้อมูล และเขียนด้วยตัวเอง อีกคนใช้ AI สร้างรายงานเกือบทั้งหมดภายในหนึ่งชั่วโมง ทั้งสองคนอาจส่งรายงานที่ดูมีคุณภาพใกล้เคียงกัน

แล้วอาจารย์ควรให้คะแนนอย่างไร

หากวัดเพียงคุณภาพของรายงานฉบับสุดท้าย เราอาจไม่สามารถมองเห็นกระบวนการเรียนรู้ที่แตกต่างกันได้ แต่หากห้ามใช้ AI ทั้งหมด ก็อาจทำให้นักศึกษาเสียโอกาสในการเรียนรู้เทคโนโลยีที่พวกเขาต้องใช้ในโลกการทำงานจริง

นี่คือความท้าทายของการออกแบบการเรียนรู้ในยุค AI

มหาวิทยาลัยอาจต้องเปลี่ยนจากการประเมินเพียงผลผลิต ไปสู่การประเมินกระบวนการคิดและความสามารถในการอธิบายเหตุผลมากขึ้น

ตัวอย่างเช่น แทนที่จะให้นักศึกษาเขียนรายงานอย่างเดียว อาจให้นักศึกษาใช้ AI วิเคราะห์ปัญหาสังคม แล้วตรวจสอบว่าคำตอบของ AI มีข้อผิดพลาดหรือมองข้ามมุมมองของคนกลุ่มใดบ้าง

หรือให้นักศึกษาออกแบบโครงการพัฒนาชุมชนโดยใช้ AI ช่วยค้นคว้าข้อมูล แต่ต้องลงพื้นที่จริง สัมภาษณ์ผู้มีส่วนได้ส่วนเสีย และนำเสนอเหตุผลประกอบการตัดสินใจ

วิธีการเช่นนี้ทำให้ AI กลายเป็นเครื่องมือสนับสนุนการเรียนรู้ ไม่ใช่สิ่งที่เข้ามาทำหน้าที่เรียนรู้แทนนักศึกษา

อย่างไรก็ตาม การเปลี่ยนวิธีประเมินไม่ได้หมายความว่าอาจารย์ควรเพิ่มภาระงานให้นักศึกษาโดยไม่จำเป็น เพราะเป้าหมายของการศึกษาไม่ใช่การทำให้นักศึกษาต้องทำงานมากขึ้นเพื่อพิสูจน์ว่าไม่ได้ใช้ AI แต่คือการออกแบบกิจกรรมที่ทำให้มองเห็นความเข้าใจและพัฒนาการของผู้เรียนได้จริง และบางที AI อาจกำลังบังคับให้มหาวิทยาลัยกลับมาถามคำถามพื้นฐานที่สุดข้อหนึ่งว่า

เราต้องการให้นักศึกษาส่งงานที่ดี หรือเราต้องการให้นักศึกษาเรียนรู้จนสามารถทำงานที่ดีได้ด้วยตัวเอง

สองสิ่งนี้เกี่ยวข้องกัน แต่ไม่ได้เหมือนกันเสมอไป

ใครได้ประโยชน์จาก AI และใครต้องรับต้นทุน

มีอีกหนึ่งคำถามที่มักถูกพูดถึงน้อยกว่าความสามารถของ AI นั่นคือ ใครเป็นผู้ได้รับผลประโยชน์จากเทคโนโลยีนี้

หากบริษัทใช้ AI แล้วลดต้นทุนการดำเนินงานได้มาก ผลประโยชน์ที่เกิดขึ้นจะถูกกระจายไปยังใคร

ผู้ถือหุ้นจะได้รับกำไรเพิ่มขึ้น ลูกค้าจะได้รับบริการที่ถูกลง พนักงานจะมีเวลาทำงานน้อยลงโดยยังได้รับค่าจ้างเท่าเดิม หรือบริษัทจะลดจำนวนพนักงานเพื่อเพิ่มประสิทธิภาพทางธุรกิจ 

คำตอบไม่ได้ถูกกำหนดโดย AI แต่ขึ้นอยู่กับกติกาทางเศรษฐกิจ อำนาจต่อรองของแรงงาน และการตัดสินใจขององค์กร

ประเด็นนี้เกี่ยวข้องกับแนวคิด Technological Determinism หรือแนวคิดที่มองว่าเทคโนโลยีเป็นตัวกำหนดความเปลี่ยนแปลงของสังคม แต่หากเรามองให้ลึกลงไป จะพบว่าเทคโนโลยีและสังคมมีอิทธิพลต่อกัน AI ไม่ได้ตัดสินใจเองว่าบริษัทควรปลดพนักงานหรือไม่ มนุษย์ต่างหากที่เป็นผู้กำหนดว่าจะนำเทคโนโลยีไปใช้อย่างไร ภายใต้แรงจูงใจและข้อจำกัดแบบใด

ลองจินตนาการถึงโลกสองแบบ

โลกแรก AI ทำให้ผลิตภาพของแรงงานสูงขึ้น บริษัทมีกำไรมากขึ้น แต่พนักงานต้องทำงานหนักกว่าเดิม เพราะองค์กรคาดหวังให้ทำงานได้มากขึ้นในเวลาที่เท่าเดิม

โลกที่สอง AI ทำให้ผลิตภาพสูงขึ้นเช่นกัน แต่บริษัทเลือกใช้ประโยชน์จากเทคโนโลยีเพื่อลดชั่วโมงการทำงาน เพิ่มโอกาสในการพัฒนาทักษะ และปรับปรุงคุณภาพชีวิตของพนักงาน

ทั้งสองโลกใช้เทคโนโลยีคล้ายกัน แต่สร้างผลลัพธ์ทางสังคมแตกต่างกัน

นี่จึงเป็นเหตุผลว่าทำไมการพูดถึง AI ไม่ควรมีเพียงวิศวกรและบริษัทเทคโนโลยีอยู่ในวงสนทนา นักสังคมศาสตร์ นักกฎหมาย นักการศึกษา นักเศรษฐศาสตร์ แรงงาน และประชาชนทั่วไปก็ควรมีส่วนร่วมด้วย เพราะ AI ไม่ได้เปลี่ยนเพียงวิธีทำงาน แต่ยังอาจเปลี่ยนความสัมพันธ์เชิงอำนาจและการกระจายผลประโยชน์ในสังคม

ถ้า AI ทำให้เราทำงานเร็วขึ้น ทำไมเรายังเหนื่อยเท่าเดิม

มีอีกหนึ่งความย้อนแย้งที่น่าสนใจในโลกเทคโนโลยี

ตลอดหลายสิบปีที่ผ่านมา มนุษย์พัฒนาเครื่องมือเพื่อทำให้การทำงานสะดวกและรวดเร็วขึ้น แต่ในชีวิตจริง หลายคนกลับรู้สึกว่าต้องทำงานมากขึ้นกว่าเดิม เมื่อมีอีเมล เราสื่อสารได้เร็วขึ้น แต่ก็อาจต้องตอบอีเมลมากขึ้น เมื่อมีสมาร์ตโฟน เราสามารถทำงานได้ทุกที่ แต่ก็อาจถูกคาดหวังให้พร้อมทำงานตลอดเวลา และเมื่อมี AI ที่ช่วยเขียนรายงานได้เร็วขึ้น คำถามคือ เราจะมีเวลาว่างมากขึ้น หรือจะได้รับมอบหมายให้เขียนรายงานมากขึ้น เรื่องนี้เกี่ยวข้องกับแนวคิด Productivity Paradox และการศึกษาความสัมพันธ์ระหว่างเทคโนโลยี ผลิตภาพ และคุณภาพชีวิตของแรงงาน การเพิ่มผลิตภาพไม่ได้รับประกันว่าคนทำงานจะมีเวลาพักผ่อนมากขึ้นโดยอัตโนมัติ เพราะผลลัพธ์ขึ้นอยู่กับวิธีที่องค์กรจัดสรรงานและผลประโยชน์ที่เกิดขึ้น ลองนึกถึงพนักงานที่เคยใช้เวลาหนึ่งวันทำรายงานหนึ่งฉบับ แต่เมื่อใช้ AI เขาสามารถทำรายงานได้ห้าฉบับในเวลาเท่าเดิม

หากบริษัทให้เขาทำงานเท่าเดิมแล้วนำเวลาที่เหลือไปเรียนรู้ทักษะใหม่ คุณภาพชีวิตของเขาอาจดีขึ้น

แต่หากบริษัทเพิ่มเป้าหมายการทำงานจากหนึ่งฉบับเป็นสิบฉบับ พนักงานอาจกลับรู้สึกเหนื่อยกว่าเดิมเสียอีก

ดังนั้น เทคโนโลยีที่ทำให้เราทำงานเร็วขึ้นไม่ได้หมายความว่าจะทำให้ชีวิตเราดีขึ้นเสมอไป สิ่งสำคัญคือเราจะกำหนดความหมายของประสิทธิภาพอย่างไร

หากประสิทธิภาพหมายถึงการผลิตผลงานให้ได้มากที่สุดในเวลาน้อยที่สุด AI อาจทำให้การแข่งขันเข้มข้นขึ้นอย่างต่อเนื่อง แต่หากประสิทธิภาพหมายถึงการใช้ทรัพยากรอย่างเหมาะสมเพื่อสร้างคุณภาพชีวิตที่ดีขึ้น AI ก็อาจช่วยให้มนุษย์มีเวลาสำหรับครอบครัว การเรียนรู้ และกิจกรรมที่มีความหมายมากขึ้น

คำถามจึงไม่ใช่เพียงว่า AI จะทำให้เราทำงานเร็วขึ้นเท่าไร แต่คือเราต้องการใช้เวลาที่ประหยัดได้ไปกับอะไร

แล้ว Gen Z ควรเตรียมตัวอย่างไร

คำแนะนำยอดนิยมในยุคนี้คือ ทุกคนต้องเรียนรู้ AI แต่การใช้ AI เป็นอาจยังไม่เพียงพอ เพราะเครื่องมือ AI เปลี่ยนแปลงรวดเร็วมาก สิ่งที่เราเรียนรู้วันนี้อาจถูกแทนที่ด้วยเทคโนโลยีรุ่นใหม่ในอีกไม่กี่ปี ทักษะที่สำคัญจึงอาจไม่ใช่การจำวิธีใช้เครื่องมือใดเครื่องมือหนึ่ง แต่เป็นความสามารถในการเรียนรู้และปรับตัวอย่างต่อเนื่อง

สำหรับนักศึกษามหาวิทยาลัย ความรู้พื้นฐานในสาขาวิชาของตนเองยังมีความสำคัญ เพราะหากไม่มีความรู้พื้นฐาน เราอาจไม่สามารถตรวจสอบได้ว่า AI กำลังให้คำตอบที่ถูกต้องหรือไม่ ขณะเดียวกัน ทักษะการคิดเชิงวิพากษ์ การสื่อสาร การทำงานร่วมกับผู้อื่น และความเข้าใจด้านจริยธรรมของเทคโนโลยี ก็จะมีบทบาทมากขึ้น

นักศึกษาด้านวิศวกรรมอาจต้องเข้าใจทั้งเทคโนโลยีและผลกระทบต่อสังคม นักศึกษาด้านบริหารธุรกิจอาจต้องเข้าใจทั้งการวิเคราะห์ข้อมูลและพฤติกรรมมนุษย์ นักศึกษาด้านสังคมศาสตร์อาจต้องใช้เครื่องมือดิจิทัลเป็น แต่ยังต้องมีความสามารถในการเข้าใจบริบททางวัฒนธรรม ความเหลื่อมล้ำ และความสัมพันธ์เชิงอำนาจ

ส่วนสิ่งที่ทุกสาขาวิชาควรมีร่วมกันคือ ความสามารถในการตั้งคำถามที่ดี

เพราะ AI อาจตอบคำถามที่เราป้อนเข้าไปได้อย่างรวดเร็ว แต่หากเราเริ่มต้นด้วยคำถามที่ผิดหรือสมมติฐานที่คลาดเคลื่อน คำตอบที่ดูน่าเชื่อถือก็อาจพาเราไปสู่ข้อสรุปที่ผิดได้เช่นกัน

อีกสิ่งหนึ่งที่สำคัญคือการเรียนรู้ที่จะทำงานร่วมกับคนที่มีความรู้แตกต่างจากเรา เพราะปัญหาในโลกจริงมักไม่ได้แบ่งออกเป็นรายวิชาอย่างชัดเจน

การแก้ปัญหาน้ำท่วมต้องใช้ทั้งความรู้ด้านวิศวกรรม สิ่งแวดล้อม เศรษฐศาสตร์ และสังคมศาสตร์ การพัฒนาระบบ AI ทางการแพทย์ต้องใช้ทั้งความรู้ด้านเทคโนโลยี การแพทย์ จริยธรรม และกฎหมาย

ในโลกที่ AI ช่วยเข้าถึงข้อมูลเฉพาะทางได้ง่ายขึ้น ความสามารถในการเชื่อมโยงความรู้จากหลายสาขาอาจมีความสำคัญมากขึ้นเช่นกัน การเรียนรู้ในยุค AI จึงไม่ใช่การแข่งขันว่าใครใช้เครื่องมือได้เร็วที่สุด แต่เป็นการพัฒนาความสามารถในการใช้ความรู้และเทคโนโลยีอย่างมีวิจารณญาณ

อย่าพยายามเก่งกว่า AI แต่จงเข้าใจว่าเราจะใช้ AI เพื่ออะไร

ย้อนกลับไปที่คำถามตอนต้น หากเราใช้เวลาเกือบ 20 ปีไปกับการเรียนหนังสือ แต่ AI สามารถทำงานบางอย่างที่เราเรียนมาได้ภายในไม่กี่วินาที การศึกษาของเรายังมีความหมายอยู่หรือไม่

คำตอบอาจไม่ได้อยู่ที่ว่าเราจะทำงานได้เร็วกว่า AI หรือไม่ แต่อยู่ที่ว่าเราเข้าใจสิ่งที่กำลังทำมากน้อยเพียงใด

AI อาจช่วยเขียนรายงานได้ แต่เราเป็นคนที่ต้องรับผิดชอบต่อความถูกต้องของรายงานนั้น AI อาจช่วยวิเคราะห์ปัญหาสังคมได้ แต่เราเป็นคนที่ต้องตัดสินใจว่าจะแก้ปัญหาอย่างไรโดยคำนึงถึงผู้ที่ได้รับผลกระทบ AI อาจช่วยสร้างแนวคิดใหม่ๆ ได้ แต่เราเป็นคนที่ต้องพิจารณาว่าแนวคิดนั้นมีคุณค่าและเหมาะสมกับสังคมหรือไม่

แน่นอนว่าโลกการทำงานในอนาคตจะไม่เหมือนเดิม บางอาชีพอาจลดลง บางอาชีพอาจเกิดขึ้นใหม่ และบางทักษะที่เคยมีคุณค่าอาจไม่เพียงพออีกต่อไป แต่สิ่งที่ไม่ควรเปลี่ยนคือเป้าหมายของการศึกษาในการพัฒนามนุษย์ให้สามารถคิด เรียนรู้ อยู่ร่วมกับผู้อื่น และรับผิดชอบต่อสังคม

บางทีคำถามที่เราควรถามจึงไม่ใช่ “เรียนไปทำไม ในเมื่อ AI ทำแทนได้” แต่อาจเป็น “ถ้า AI ช่วยให้เราทำงานได้มากขึ้นและเร็วขึ้น เราจะใช้ความสามารถที่เพิ่มขึ้นนั้นสร้างชีวิตและสังคมที่ดีขึ้นได้อย่างไร”

เพราะในอนาคต สิ่งที่สำคัญอาจไม่ใช่เพียงว่าใครใช้ AI ได้เก่งที่สุด แต่คือใครมีความรู้ วิจารณญาณ และความรับผิดชอบมากพอที่จะตัดสินใจว่า AI ควรถูกใช้เพื่ออะไร และบางทีนี่อาจเป็นเหตุผลที่เรายังต้องเรียนหนังสือ แม้ในวันที่ AI สามารถตอบคำถามได้แทบทุกอย่าง

แหล่งข้อมูลประกอบบทความ

World Economic Forum. (2025). The Future of Jobs Report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/

International Labour Organization. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. https://www.ilo.org/resource/news/one-four-jobs-risk-being-transformed-genai-new-ilo%E2%80%93nask-global-index-shows

Stanford Digital Economy Lab. (2026). Canaries in the Coal Mine: Six Facts about the Recent Employment Effects of Artificial Intelligence. https://digitaleconomy.stanford.edu/news/canariesaug26/