AI เพิ่มประสิทธิภาพการทำงาน ไม่ได้หมายความว่าคุณจะง่ายขึ้นใช่ไหม? งานวิจัยของเบิร์กลีย์เปิดโปงเรื่องราวความสามารถในการผลิต 10X ของซิลิคอนแวลลีย์

เบิร์กลีย์ ฮาส บิสซิเนส สคูล ติดตามพนักงานในอุตสาหกรรมเทคโนโลยีจำนวน 200 คน เป็นเวลาเก้าเดือน พบว่าเครื่องมือ AI ไม่ได้ลดภาระงาน กลับเป็นตัวเร่งให้เกิดรูปแบบการทำงานแบบ “หลายสายงานพร้อมกัน” ที่มีความเข้มข้นสูง ความรับรู้ภาระงานและความเสี่ยงต่อความเหนื่อยล้าพุ่งสูงขึ้นพร้อมกัน
(ข้อมูลเบื้องต้น: เปิดเผย “x402” : การสร้างความเชื่อมั่นในการชำระเงินในยุค AI การค้นหาถ้วยรางวัลแห่งยุคต่อไปของอารยธรรมเครื่องจักร)
(ข้อมูลเสริม: ความสำคัญของ X402 ต่อการชำระเงินด้วยเหรียญเสถียร)

สารบัญบทความ

• จังหวะการทำงานแบบใหม่ที่ต้อง juggling ตลอดเวลา
• จากห้องทดลองสู่โลกแห่งความเป็นจริง
• ปัญหาไม่ใช่ AI แต่เป็นการไม่มีใครสอนวิธีใช้
• การทดสอบความกดดันต่อการเล่าเรื่องของ AI
• การปรับสมดุลพฤติกรรมการทำงานที่เปลี่ยนไปหลายสิบปี

ถ้าคุณเคยอ่านบันทึกความเห็นด้านการลงทุนในอุตสาหกรรมเทคโนโลยาช่วงปีที่ผ่านมา คงจะเห็นเรื่องราวคล้ายกันนี้: AI จะเพิ่มประสิทธิภาพการผลิตอย่างมาก ทำให้พนักงานทำงานน้อยลง แต่ผลผลิตมากขึ้น กำไรของบริษัทก็พุ่งสูงขึ้น ในที่สุดมนุษย์ก็สามารถใช้เวลาทำงานที่ “สร้างสรรค์มากขึ้น” ได้

เรื่องนี้ฟังดูสวยงาม แต่ปัญหาคือ…อาจเป็นความเข้าใจผิด

นักวิจัยสองคนจากมหาวิทยาลัยเบิร์กลีย์ ฮาส บิสซิเนส สคูล คือ Aruna Ranganathan และ Xingqi Maggie Ye ได้เผยแพร่ผลการศึกษาที่ใช้เวลานานเก้าเดือนใน Harvard Business Review ตั้งแต่เดือนเมษายนถึงธันวาคม พวกเขาติดตามพนักงาน 200 คนของบริษัทเทคโนโลยีในสหรัฐอเมริกา เพื่อสังเกตพฤติกรรมหลังการนำ AI เข้ามาใช้ในงานประจำวัน

ข้อสรุปตรงไปตรงมา: AI ไม่ได้ลดงาน กลับเป็นตัวเร่งให้ทำงานมากขึ้น

จังหวะการทำงานแบบใหม่ที่ต้อง juggling ตลอดเวลา

ทีมวิจัยพบว่า การนำ AI เข้ามาใช้ไม่ได้ทำให้พนักงานลดภาระงานหรือเวลาทำงานลง ตรงกันข้าม กลับสร้างจังหวะการทำงานแบบใหม่ — “หลายสายงานพร้อมกัน”

โดยเฉพาะ: พนักงานเขียนโค้ดด้วยมือในขณะเดียวกันก็ให้ AI สร้างเวอร์ชันทางเลือก ทำงานหลาย AI ตัวพร้อมกันเพื่อจัดการงานต่าง ๆ หรือแม้แต่หยิบงานที่เคยวางไว้บนโต๊ะขึ้นมาทำใหม่ เพราะ “AI สามารถทำงานใน background ได้อยู่แล้ว”

ดูเผิน ๆ นี่คือการเพิ่มผลผลิต ผลงานของแต่ละคนเพิ่มขึ้น งานที่ทำพร้อมกันหลายโปรเจกต์ก็เร็วขึ้น แต่จากการสังเกตของนักวิจัย สถานการณ์ที่แท้จริงคือ:

“การเปลี่ยนโฟกัสไปมาบ่อย ๆ การตรวจสอบผลลัพธ์ของ AI ซ้ำ ๆ และการเพิ่มงานที่ต้องทำให้เสร็จในรายการ เป็นสิ่งที่สร้างภาระทางความรู้ความเข้าใจ และทำให้รู้สึกเหมือนกำลัง juggling (จัดการงานหลายอย่างพร้อมกัน) อยู่เสมอ — ถึงแม้จะรู้สึกว่าสามารถทำงานได้อย่างมีประสิทธิภาพ”

พูดอีกนัยหนึ่ง พนักงานทำงานมากขึ้นจริง แต่ก็รู้สึกเหนื่อยมากขึ้นเช่นกัน และเป็นความเหนื่อยแบบ “ทั้งรู้สึกว่าทำงานได้ดีแล้ว แต่พอเลิกงานก็เหมือนถูกดูดพลังไปหมด”

จากห้องทดลองสู่โลกแห่งความเป็นจริง

ข้อมูลของเบิร์กลีย์มาจากภายในองค์กร แต่ในโลกภายนอกก็เกิดปรากฏการณ์เดียวกันนี้เช่นกัน

นักพัฒนาชื่อดัง Simon Willison ได้เผยแพร่บทความในบล็อกส่วนตัว โดยยอมรับว่าประสบการณ์และผลสรุปของการศึกษานี้ตรงกับของเขาเอง ในฐานะหนึ่งในผู้ใช้งานโมเดลภาษาใหญ่ (LLM) ที่คล่องแคล่วที่สุดคนหนึ่ง เขาแชร์วิธีการใช้ AI ในการทำงานอย่างเปิดเผย เขายืนยันว่าเขาสามารถทำโปรเจกต์หลายโปรเจกต์พร้อมกันได้ และปริมาณงานที่ทำก็เพิ่มขึ้นอย่างมาก

แต่สิ่งที่ต้องจ่ายคือ: เขาจะรู้สึกหมดแรงภายในหนึ่งถึงสองชั่วโมง

เขายังสังเกตว่าพัฒนากรในทีมของเขาเองก็มีพฤติกรรมคล้ายกัน บางคนคิดว่า “แค่ใส่ prompt อีกอันก็พอ” จนทำงานดึกดื่นถึงเที่ยงคืน ส่งผลกระทบต่อคุณภาพการนอนหลับอย่างรุนแรง ความรู้สึกนี้ไม่ใช่การทำงานล่วงเวลา แต่เหมือนเล่นเกมที่ไม่สามารถบันทึกได้ — คุณรู้ว่าควรหยุด แต่รอบต่อไปมันน่าดึงดูดเกินจะหยุด

เมื่อการวิจัยทางวิชาการและประสบการณ์ตรงของผู้ใช้งานสอดคล้องกันเช่นนี้ ก็ไม่ใช่เรื่องบังเอิญ แต่เป็นโครงสร้างที่ชัดเจน

ปัญหาไม่ใช่ AI แต่เป็นการไม่มีใครสอนวิธีใช้

สิ่งที่นักวิจัยเน้นย้ำคือ: ปัญหาไม่ใช่ AI ทำให้คนเหนื่อยขึ้น แต่เป็นการขาดกรอบแนวทางการใช้งาน AI อย่างเป็นระบบ

โดยส่วนใหญ่ เมื่อองค์กรนำ AI เข้ามาใช้ ก็จะซื้อสิทธิ์ใช้งาน สร้างบัญชี แล้วแนบไฟล์ PDF ที่อธิบาย “แนวทางที่ดีที่สุด” แล้วหวังว่าพนักงานจะค้นพบวิธีใช้งานเอง ซึ่งเปรียบเสมือนติดตั้งเครื่องยนต์เทอร์โบในรถจักรยาน แล้วบอกคนขับว่า “คุณจัดการเองแล้วกัน”

คำแนะนำของนักวิจัยคือ: องค์กรควรสร้างกรอบแนวทางการปฏิบัติที่ชัดเจน กำหนดให้ชัดเจนว่า AI ควรใช้ในสถานการณ์ใด ไม่ควรใช้ในสถานการณ์ใด และควรแยกแยะระหว่าง “การเพิ่มประสิทธิภาพที่แท้จริง” กับ “แค่ใช้แรงมากขึ้นในงานเดิม”

การทดสอบความกดดันต่อการเล่าเรื่องของ AI

ลองนำผลการศึกษานี้มองในบริบทที่กว้างขึ้น

ในรอบปีที่ผ่านมา “การใช้ AI เพื่อเพิ่มผลผลิต” เป็นหนึ่งในเหตุผลหลักที่ทำให้มูลค่าหุ้นเทคโนโลยีพุ่งสูง ตั้งแต่ Nvidia ไปจนถึง Microsoft จาก OpenAI ไปจนถึงสตาร์ทอัปด้าน AI ทั้งอุตสาหกรรมเชื่อว่า AI จะทำให้คนทำงานความรู้ทุกคนผลิตผลงานได้ 2 ถึง 10 เท่า บริษัทจะใช้คนให้น้อยลง แต่ผลกำไรจะเพิ่มขึ้นอย่างเป็นโครงสร้าง

แต่ถ้าการศึกษาของเบิร์กลีย์ถูกต้อง ถ้าแท้จริงแล้ว AI ไม่ได้ทำให้ทำงานน้อยลง แต่ทำให้ทำงานมากขึ้นแต่เหนื่อยขึ้น ก็ต้องปรับทฤษฎีมูลค่าหุ้นใหม่

การเพิ่มผลผลิตและความเข้มข้นของงานเป็นสองเรื่องที่แตกต่างกัน ผลผลิตที่เพิ่มขึ้นจะลดต้นทุนและเพิ่มกำไร แต่ความเข้มข้นของงานที่เพิ่มขึ้นในระยะสั้นอาจนำไปสู่ความเหนื่อยล้า การลาออก และคุณภาพงานที่ลดลง ถ้าปรับใช้แนวคิดนี้กับโมเดลธุรกิจขององค์กร ผลลัพธ์ที่ได้อาจไม่ใช่การเพิ่มกำไร แต่เป็นการปรับโครงสร้างต้นทุนแรงงาน เช่น ค่าอบรมที่สูงขึ้น ค่าใช้จ่ายด้านสุขภาพจิตที่เพิ่มขึ้น ค่าใช้จ่ายในการสับเปลี่ยนพนักงานที่สูงขึ้น

แน่นอนว่า AI ยังมีคุณค่าอยู่ แต่คุณค่าอาจไม่ใช่ “ทำให้คนทำงานน้อยลง” แต่เป็น “ทำให้คนทำงานแตกต่างออกไป” ซึ่งแตกต่างไม่จำเป็นต้องหมายถึงงานที่ง่ายขึ้นเสมอไป

การปรับสมดุลพฤติกรรมการทำงานที่เปลี่ยนไปหลายสิบปี

การศึกษานี้ยังสะท้อนมุมมองที่ไม่ค่อยถูกพูดถึงเท่าไร นั่นคือ กระบวนการปรับตัวในช่วงเปลี่ยนผ่าน Willison ก็ชี้ให้เห็นจุดนี้เช่นกัน

แนวทางการทำงานในปัจจุบัน: การจัดสรรความสนใจ การวัดผลการทำงาน และการกำหนด “ปริมาณงานในหนึ่งวัน” เป็นสิ่งที่สร้างขึ้นมาหลายสิบปี การแพร่หลายของ AI ตั้งแต่ปี 2023 ถึง 2025 เป็นการเปลี่ยนแปลงอย่างรวดเร็วในสองปี ที่บังคับให้เศรษฐกิจความรู้ต้องเรียนรู้วิธีการทำงานใหม่

การเปลี่ยนแปลงนี้จะไม่เกิดขึ้นเองโดยอัตโนมัติ ต้องอาศัยการออกแบบองค์กรอย่างมีจุดมุ่งหมาย การปรับความเข้าใจของผู้บริหาร และที่สำคัญที่สุดคือ การยอมรับว่า “ผลลัพธ์ที่มากขึ้น” กับ “งานที่ดีขึ้น” เป็นสิ่งที่แตกต่างกันอย่างสิ้นเชิง

ซิลิคอนวัลเลย์มักใช้คำว่า “10x engineer” เพื่ออธิบายวิศวกรที่ผลิตผลงานเกินกว่าปกติ AI สัญญาว่าจะทำให้ทุกคนกลายเป็น 10x แต่ผลการศึกษานี้บอกเราว่า: อาจไม่ได้เป็นเช่นนั้น อาจเป็น “ความเหนื่อยล้า 10 เท่า”… แล้วคุณล่ะ คิดเห็นอย่างไร?