เมื่อ AI เชิงสร้างสรรค์เริ่มแทรกซึมเข้าสู่ที่ทำงานอย่างรวดเร็ว คนที่อาจจะสัมผัสความเย็นเฉียบก่อนที่สุดไม่ใช่ผู้ทำงานรุ่นเก๋าที่ยืนได้มั่นคงแล้ว แต่เป็นบรรดาคนหนุ่มสาวที่กำลังจะก้าวเข้าสู่การทำงานเป็นครั้งแรก จากเส้นทางอาชีพในอดีตที่ว่า “ทำงานระดับเริ่มต้นก่อน แล้วค่อย ๆ ไต่ขึ้นไป” มาถึงปัจจุบันที่บริษัทมักจะเลือกจ้างคนที่มีประสบการณ์และทำงานได้ทันทีมากกว่า ไม่ใช่แค่ AI จะเปลี่ยนแปลง “เนื้อหางาน” เท่านั้น แต่มันกำลังเขียนใหม่ว่า “สนามฝึกฝน” ที่คนหนุ่มสาวเคยพึ่งพาเพื่อเติบโตคืออะไร
ในรายการ “Talks Without Nonsense” ผู้ดำเนินรายการ Linga และ Bradley ซึ่งมีพื้นฐานด้านการแพทย์จากมหาวิทยาลัยไทเป๋ย มีสาธารณสุขจากฮาร์วาร์ด และเคยมีประสบการณ์เป็นผู้บริหารระดับสูงที่ Rakuten Medical และ Appier ได้นำเอาเรื่องนี้มาถกเถียงกัน ทั้งสองพยายามตอบคำถามที่เริ่มยิ่งน่ากังวลมากขึ้นเรื่อย ๆ: AI จะไม่ได้มาแทนที่พนักงานรุ่นเก๋าก่อน แต่จะทำให้คนที่เพิ่งเริ่มต้นไม่มีโอกาสได้ลงสนามเลยตั้งแต่แรกหรือไม่?
หลังจากรายการไปพบงานวิจัยที่เกี่ยวข้องกับฮาร์วาร์ดและสแตนฟอร์ด ก็พบว่า หลังจากที่ ChatGPT เปิดตัว ตำแหน่งงานระดับเริ่มต้นกลับลดลงอย่างชัดเจน โดยเฉพาะในกลุ่มอาชีพที่มีการเปิดรับ AI สูงขึ้น ยิ่งเห็นชัดในงานอย่างงานธุรการ เลขานุการ งานฝ่ายขายระดับเริ่มต้น การตลาด ฯลฯ ผลกระทบที่เกิดขึ้นยิ่งตรงไปตรงมา
AI+เพื่อนร่วมงานรุ่นเก๋าก็พอแล้ว จะไปฝึกอบรมคนใหม่ทำไม
หลังจากรายการอ้างอิงงานวิจัยที่เกี่ยวข้องกับฮาร์วาร์ดและสแตนฟอร์ด ก็พบว่า หลังจากที่ ChatGPT เปิดตัว ตำแหน่งงานระดับเริ่มต้นกลับลดลงอย่างชัดเจน โดยเฉพาะในกลุ่มอาชีพที่มีการเปิดรับ AI สูงขึ้น ยิ่งเห็นชัดในงานอย่างงานธุรการ เลขานุการ งานฝ่ายขายระดับเริ่มต้น การตลาด ฯลฯ ผลกระทบที่เกิดขึ้นยิ่งตรงไปตรงมา นี่หมายความว่า บริษัทไม่ได้หยุดรับสมัครพนักงานทั้งหมด แต่กลับเริ่มประเมินใหม่: ถ้าพนักงานที่มีประสบการณ์เล็กน้อยร่วมกับเครื่องมือ AI สามารถสร้างผลงานได้เท่ากับที่เมื่อก่อนต้องใช้คนสองถึงสามคน แล้วจะยังจำเป็นต้องใช้งบประมาณก้อนเดิมไปฝึกคนหนุ่มสาวหลายคนอีกไหม?
Bradley ตรงไปตรงมาว่า การเปลี่ยนแปลงแบบนี้เห็นชัดมากในสภาพแวดล้อมขององค์กร ในอดีต บริษัทเต็มใจให้เวลาฝึกคนใหม่ครึ่งปี หนึ่งปี การหมุนเวียนงาน ทำความคุ้นเคยกับอุตสาหกรรม แต่ตอนนี้ความอดทนแบบนั้นกำลังหดตัวอย่างรวดเร็ว สำหรับผู้จัดการ “บิลเงินสด” ที่ต้องคิดกำลังชัดเจนขึ้นมาก: จะจ้างพนักงานระดับเริ่มต้นสองถึงสามคน และต้องจัดให้รุ่นพี่ช่วยสอน พร้อมลงทุนทรัพยากรด้านการฝึกอบรม หรือจะเลือกจ้างคนที่มีประสบการณ์หนึ่งคน แล้วเสริมด้วยเครื่องมือ AI ที่ดีที่สุด ส่งลงสนามรบเลย ในบริษัทส่วนใหญ่ที่เน้นประสิทธิภาพและความพร้อมใช้งาน คำตอบแทบไม่ต้องพูดให้มากความ
ดังนั้น การหายไปของตำแหน่งระดับเริ่มต้น ไม่ใช่แค่ “ไม่มีโอกาสงานเพิ่มขึ้นอีกไม่กี่ตำแหน่ง” แบบนั้นเท่านั้น แต่มันคือโครงสร้างของการเรียนรู้ทั้งระบบกำลังเริ่มหลวมคลอน
เพราะงานที่คนใหม่จำนวนมากเคยใช้เพื่อ “ซ้อมมือ” นั้นพอดีเป็นงานที่ AI ทำได้เก่งที่สุด ได้แก่ การหาข้อมูล การสรุป การแปล การเขียนโค้ดพื้นฐาน การทำการวิเคราะห์เบื้องต้น แม้งานเหล่านี้ในอดีตจะซ้ำซากและจุกจิก แต่กลับเป็นจุดเริ่มต้นที่ทำให้คนใหม่สร้างความคุ้นเคย เข้าใจมาตรฐานคุณภาพ และสังเกตว่าในรุ่นพี่ใช้ดุลยพินิจในการตัดสินเรื่องต่าง ๆ อย่างไร ปัจจุบัน งานเหล่านี้ใช้เวลาเพียงไม่กี่นาทีก็ให้ AI ทำเสร็จ คนใหม่ไม่ได้แค่ขาด “สนามฝึกฝน” แต่ยังมีโอกาสนั่งอยู่ข้าง ๆ เพื่อดูว่าหัวหน้าจะแก้ไขอย่างไร คิดอย่างไร และตัดสินอย่างไร น้อยลงไปด้วย
ยุค AI จริง ๆ แล้วรู้หรือว่าของแบบไหนที่นับว่า “ดี”?
Linga ยังกล่าวว่า การเปลี่ยนแปลงนี้สะท้อนให้เห็นถึงความแตกต่างด้านความสามารถระหว่างนักศึกษาและ early professional ในอดีตคนรุ่นที่ยังไม่มีเครื่องมือ AI เวลาทำรายงานต้องเริ่มจากศูนย์ หาเนื้อหา ตรวจสอบแหล่งที่มา ตั้งสมมติฐาน ทำจากหน้าว่างจนถึงขั้นที่สามารถขึ้นไปนำเสนอได้ แม้จะช้า แต่โดยทั่วไปคนกลุ่มนั้นมักรู้ดีกว่าว่าจะพาตัวเองจาก 0 ไปถึง 100 ได้อย่างไร
เมื่อเทียบกัน คนรุ่นนักศึกษากลุ่มใหม่ใช้ชีวิตอยู่ในโลกของ ChatGPT, Grok, Gemini ตั้งแต่สมัยเรียนในมหาวิทยาลัย พอเจอคำถามเดียวกันก็ชอบส่งให้ AI หลายตัวตอบ แล้วเอาผลลัพธ์ที่ได้มา “ประกอบต่อ” อย่างรวดเร็วลงสไลด์หรือทำเป็นตาราง ดูเหมือนจะมีประสิทธิภาพมากกว่า แต่ก็ทำให้เสี่ยงที่จะเอาคำตอบของ AI ที่ได้คะแนน 60 หรือ 80 ไปส่งงาน โดยที่ไม่มีการพิจารณาตรวจสอบ
(ถ้า AI ทำได้ 80 คะแนน แต่คนที่ทำไม่ได้ 100 คะแนนก็ต้องถูกคัดออกอย่างแน่นอน! ที่ปรึกษาของ McKinsey และศิษย์เก่าฮาร์วาร์ดแนะนำว่าคนเริ่มต้นควรทำแบบนี้)
สิ่งนี้ทำให้ผู้จัดการต้องติดอยู่ในความลำบากใจชุดใหม่ Bradley ยกตัวอย่างว่า ในงานสายที่ปรึกษา ในอดีตการให้ junior เขียนอีเมลเพื่อขอข้อมูลจากลูกค้า ดูเหมือนจะเป็นแค่การทำงานด้านตัวอักษร แต่จริง ๆ แล้วคือกระบวนการสำคัญในการฝึกให้เข้าใจบริบทของลูกค้า จับจังหวะการสื่อสาร และฝึกความพอดีในการใช้คำในการตัดสินใจ แต่ตอนนี้สถานการณ์มักกลายเป็นว่า ผู้จัดการมองปุ๊บก็รู้เลยว่าอีเมลนั้น “ยังไม่โตพอ” หรือไม่ก็ “เห็นชัดว่าเป็นงานที่ AI สร้าง” และยังห่างจากการใช้งานจริงอยู่พอสมควร
คำแนะนำสำหรับคนหนุ่มสาว: ตั้งใจทำความเข้าใจมาตรฐานที่อยู่ในหัวของผู้จัดการ
อย่างไรก็ตาม ทั้งสองไม่ได้หยุดอยู่แค่ความกังวล แต่กลับไปคุยต่อว่า เมื่อบันไดขั้นแรกกำลังหายไป คนหนุ่มสาวจะสร้าง “สนามฝึกฝน” ใหม่ของตัวเองได้อย่างไร?
Linga เห็นว่า สิ่งแรกคือการทำความเข้าใจมาตรฐานที่อยู่ในหัวของผู้จัดการอย่างเชิงรุก เพราะผู้เชี่ยวชาญในที่ทำงานจำนวนมากที่ทำได้ดีกว่าคนอื่นไม่ใช่แค่มุ่งมั่นกว่าคนอื่นเท่านั้น แต่เพราะในใจพวกเขามีชุดของเช็กลิสต์ในการตัดสิน: ต้องตรวจสอบแหล่งที่มาหรือไม่ ต้องเช็กภูมิหลังของผู้วิจัยหรือไม่ ต้องระบุข้อจำกัดของข้อสรุปหรือไม่ และต้องจัดตรรกะของสไลด์อย่างไร ในอดีตมาตรฐานเหล่านี้อาจซ่อนอยู่ในคำแนะนำที่ต้องปรับแก้ซ้ำ ๆ หรือคำสั่งแบบบอกปากเปล่า
แต่ในยุค AI มาตรฐานเหล่านั้นจำนวนมากถูกผู้จัดการแปลงเป็น prompt และ constraint แล้ว สำหรับคนทำงานรุ่นใหม่ สิ่งที่สำคัญจริง ๆ ไม่ใช่ว่าจะทำได้หรือไม่ว่าจะใช้เครื่องมือ แต่คือมีความสามารถหรือไม่ที่จะทำความเข้าใจเสียก่อนว่า “อะไรเรียกว่าดี”
ความรู้สึกด้านโครงสร้างและการตัดสิน—คือส่วนที่ AI ไม่สามารถแทนที่ได้
สิ่งที่สอง คือการกลับมาฝึกความสามารถในการอ่านและการสังเคราะห์ข้อมูลของตัวเองอีกครั้ง ในยุคที่ข้อมูลถาโถม AI ช่วยคุณไล่กวาดรายงานได้พร้อมกัน 25 ชิ้น แล้วให้สรุปอย่างรวดเร็ว แต่ก็ทำให้คนเข้าใจผิดได้ง่ายว่าตัวเอง “เข้าใจปัญหาแล้ว” Linga มองว่า ยิ่งอยู่ในยุคนี้ ยิ่งต้องบังคับตัวเองให้คัดเลือกเนื้อหาที่มีคุณภาพสูงจริง ใช้เวลาเจาะลึก ดูว่าเขานิยามปัญหาอย่างไร แยกโครงสร้างอุตสาหกรรมอย่างไร ออกแบบวิธีการอย่างไร ตรวจสอบสมมติฐานอย่างไร และสุดท้ายตัดสินอย่างไรตามประสบการณ์
เส้นทางของความรู้สึกด้านโครงสร้างและการตัดสินเหล่านี้ คือส่วนที่ AI ไม่สามารถฝังไว้ในตัวคุณโดยตรงได้
Bradley ยังเตือนว่า หากคนทำงานรุ่นใหม่อยากใกล้ชิดกับงานระดับสูงขึ้น ขั้นแรกเสมอคือ “ใช้ผลงานแลกบัตรผ่าน” ไม่ใช่แค่ทำงานให้เสร็จ แต่ทำให้ผู้จัดการวางใจ และยินดีจะมอบเรื่องที่ซับซ้อนขึ้นให้คุณ นอกจากนี้ยังต้องเรียนรู้การเข้ามาเติมเต็มด้วยตัวเองอย่างกระตือรือร้น เพราะในที่ทำงาน งานระดับที่สูงกว่าและเข้าใกล้แกนการตัดสินใจมากกว่าไม่ได้ไม่มีโอกาส แต่เป็นเพราะไม่มีใครทำ
เช่น งานที่ดูเหมือนแค่วิเคราะห์อัตรา conversion แต่ความสำคัญที่แท้จริงมักไม่ใช่แค่ตัวเลขเอง หากคือสิ่งที่การวิเคราะห์นี้ต้องใช้เพื่อสนับสนุนการตัดสินใจ หากผู้จัดการอยากรู้ว่า งบการตลาดก้าวต่อไปควรทุ่มไปยังกลุ่มลูกค้าไหนมากขึ้น คุณก็ไม่ควรส่งแค่อัตรา conversion แต่ควรก้าวไปก่อนหน้า เติมเต็มด้วยต้นทุนการได้ลูกค้า Lifetime Value ROI และอาจถึงขั้นเสนอภาษาการตัดสินใจแบบ “ถ้างบเพิ่มขึ้น 20% รายได้จะเพิ่มขึ้นเท่าไร” ความสามารถในการแปลงการวิเคราะห์เป็นคำแนะนำ คือหนึ่งในสิ่งที่มีค่าที่สุดในยุค AI
อนาคตองค์กรต้องการคนแบบไหน: ก้าวเดินท่ามกลางความคลุมเครือ และรู้ว่าของแบบไหนนับว่า “ดี”
เมื่อพูดถึงว่าองค์กรต้องการคนแบบไหน Bradley ก็ให้คำตอบที่ชัดเจนมาก อย่างแรก คือคนที่สามารถก้าวเดินท่ามกลางความคลุมเครือได้ เพราะยุค AI เปลี่ยนเร็วมาก หลังจากสามเดือน งานของคุณอาจเปลี่ยนไปโดยสิ้นเชิง ถ้าคน ๆ หนึ่งจำเป็นต้องรอให้ทุกอย่างถูกกำหนดชัดเจนก่อนถึงจะขยับได้ นั่นไม่เพียงแต่ทำให้ตัวเองลำบากมาก แต่ยังหมายความว่างานของเขามีแนวโน้มสูงว่าไม่ช้าก็เร็วจะถูก AI เข้ามาแทน
อย่างที่สอง คือจะประเมินผลลัพธ์ของ AI เป็นหรือไม่ และรู้ว่าผลลัพธ์แบบไหนที่นับว่า “ดี” ตอนนี้ “รู้วิธีใช้ AI” กลายเป็นเกณฑ์ขั้นต่ำไปแล้ว สิ่งที่ทำให้ต่างจริง ๆ คือ: พอคุณอ่านการวิเคราะห์ตลาดที่ AI สร้างแล้ว คุณมีมุมมองของตัวเองหรือไม่ คุณรู้หรือเปล่าว่าตรงไหนต้องตรวจสอบ ตรงไหนไม่ควรเชื่อทั้งหมดโดยไม่คิด เพราะในวันนี้ ข้อมูลไม่ได้หายากแล้ว สิ่งที่หายากจริง ๆ คือ “มุมมอง”
ตำแหน่งงานระดับเริ่มต้นกำลังถูกปรับเปลี่ยน ทำให้การหางานของมือใหม่ยากขึ้น
อย่างที่สาม คือจะอัปเกรดตัวเองหรือไม่ เผชิญกับสภาพแวดล้อมที่เปลี่ยนแปลงอย่างรวดเร็ว องค์กรมักจะเลือกคนที่ตอนนี้มีทักษะไม่มากเท่าไหร่ แต่เรียนรู้ได้เร็ว ดีกว่าคนที่มีเยอะ แต่กลับหยุดอยู่กับที่
นี่จึงเป็นเหตุผลที่ทั้งสองมองว่า แทนที่จะบอกว่าตำแหน่งระดับเริ่มต้นในปัจจุบันกำลังหายไป พูดได้มากกว่าว่ามันกำลังถูกนิยามใหม่ องค์กรไม่ได้ไม่ต้องการคนหนุ่มสาวทั้งหมด แต่ไม่ต้องการคนที่ทำแค่งานซ้ำ ๆ อีกต่อไป เส้นเริ่มต้นใหม่กลายเป็นว่าคุณเข้าใจ AI หรือไม่ มีมุมมองหรือไม่ เรียนรู้เชิงรุกได้เร็วหรือไม่ และสามารถทำให้เครื่องมือกลายเป็น “แรงขับ” ของตัวเองได้หรือไม่ สำหรับบริษัทจำนวนมาก คนหนุ่มสาวไม่ได้เป็นแค่คนที่ต้องถูกสอนแล้ว แต่เริ่มเป็นคนที่นำเอสัญชาตญาณของ AI นิสัยการใช้เครื่องมือ และจังหวะของโลกยุคใหม่เข้าไปในองค์กร
ท้ายรายการยังให้คำแนะนำที่ค่อนข้างเป็นรูปธรรม: ถ้าตอนนี้คุณกำลังหางาน วิธีเตรียมตัวที่มีประสิทธิภาพที่สุดอาจไม่ใช่ไปอ่านปริญญา AI อีกใบ แต่ให้ทำ AI side project ด้วยตัวเองสำหรับอุตสาหกรรมที่คุณอยากเข้าไป สมมติว่าคุณอยากเข้าทีมฝ่ายการตลาดของ Google คุณก็ลองใช้เครื่องมือ AI ทำกระบวนการทำงานด้านการตลาดแบบครบวงจร ตั้งแต่การหาปัญหา การออกแบบวิธีแก้ ไปจนถึงทำเดโมออกมาให้เห็นผล ด้วยวิธีนี้ตอนสัมภาษณ์ คุณไม่ได้แค่พูดลอย ๆ ว่า “ฉันสนใจ AI มาก” แต่คุณสามารถหยิบเอาโปรเจกต์ end-to-end ออกไปให้ผู้สัมภาษณ์พิสูจน์ได้ว่าคุณใช้เครื่องมือเพื่อแก้ปัญหาจริงได้แล้ว
สำหรับคนหนุ่มสาวที่กำลังเผชิญความกังวลก่อนจบและกังวลเรื่องการหางาน ความจริงที่โหดร้ายที่สุดอาจเป็น: บันไดอาชีพที่ดูเหมือนเป็นเรื่องปกติอยู่แล้ว กำลังถูก AI รื้อออกไปบางส่วนจริง ๆ
แต่ดังที่ Bradley กล่าว บางทีเส้นทางอาชีพไม่ใช่แค่การไต่บันได แต่เหมือนการว่ายน้ำ เส้นทางก่อนหน้านี้เป็นสิ่งที่ถูกจัดให้แล้ว ตอนนี้คุณต้องเป็นคนหาทิศทางเอง แล้วว่ายไปข้างหน้าเอง เมื่อบันไดขั้นแรกไม่มั่นคงอีกต่อไป สิ่งที่สำคัญอาจไม่ใช่ว่าคุณยังจ้องอยู่ที่ว่าบันไดนั้นอยู่หรือไม่ แต่คือคุณมีความสามารถหรือไม่ที่จะหาการเคลื่อนไหวครั้งถัดไปที่ทำให้ตัวเอง “ลอยขึ้นมา” ได้อย่างเชิงรุก
บทความนี้ Graduate job anxiety? งานวิจัยชี้ว่า AI ส่งผลโดยตรงต่อการรับตำแหน่งระดับเริ่มต้น ที่ปรึกษา McKinsey แนะนำให้บัณฑิตทำแบบนี้ เผยแพร่ครั้งแรกบน Chain News ABMedia