ถ้าถามว่า “AI จะมาแย่งงานฉันไหม” คำตอบที่ตรงกว่าน่าจะเป็น “งานส่วนไหนของฉันจะถูก AI เปลี่ยนก่อน”

สภาเศรษฐกิจโลก หรือ World Economic Forum (WEF) ระบุในบริบทของ Future of Jobs Report 2025 ว่า ภายในปี 2030 อาจมีโอกาสงานใหม่ราว 78 ล้านตำแหน่ง แต่ก็ย้ำว่าตลาดแรงงานจำเป็นต้องเร่งยกระดับทักษะอย่างจริงจัง^[10] ขณะเดียวกัน องค์การแรงงานระหว่างประเทศ หรือ International Labour Organization (ILO) ในอัปเดตปี 2025 ใช้ข้อมูลระดับงานย่อย ความเห็นผู้เชี่ยวชาญ และการคาดการณ์ของ AI เพื่อประเมินว่า Generative AI หรือ AI ที่สร้างข้อความ รูปภาพ โค้ด และเนื้อหาอื่น ๆ จะกระทบอาชีพต่าง ๆ แค่ไหน^[5]

ดังนั้น สัญญาณจากรายงานปี 2025 ไม่ได้บอกว่า “ทุกคนต้องตกงาน” หรือ “ไม่มีอะไรต้องกังวล” แต่บอกว่าใครที่ทำงานซ้ำ ๆ เป็นรูปแบบตายตัว ใช้เอกสาร ตาราง รายงาน หรือคำตอบมาตรฐานจำนวนมาก ควรเริ่มเรียนรู้วิธีใช้ AI ข้อมูล และระบบอัตโนมัติให้เป็น ส่วนงานที่ยังต้องใช้วิจารณญาณ การสื่อสาร ความรับผิดชอบ และความเข้าใจบริบท ก็ต้องเรียนรู้วิธีใช้ AI เป็นตัวช่วย ไม่ใช่ปล่อยให้ AI แทนที่คุณค่าหลักของตัวเอง

3 สัญญาณใหญ่จากตลาดงานปี 2025

1. งานสายเทค ข้อมูล และฟินเทคโตชัด

WEF ระบุว่า 3 ตำแหน่งที่เติบโตเร็วที่สุดเมื่อดูเป็นเปอร์เซ็นต์ คือ ผู้เชี่ยวชาญ Big Data, วิศวกรฟินเทค และผู้เชี่ยวชาญ AI กับแมชชีนเลิร์นนิง^[9]

สรุปของ ARISA ต่อรายงาน WEF ยังชี้ว่าความต้องการบุคลากรในสาย Big Data, Fintech, AI and Machine Learning และ Software and Application Development เด่นชัดขึ้น ส่วนด้านทักษะ AI and Big Data โดดเด่นที่สุด ตามด้วย Networks and Cybersecurity และ general technological literacy^[3]

นี่ไม่ได้แปลว่าทุกคนต้องลาออกไปเป็นวิศวกรซอฟต์แวร์ แต่แปลว่าแทบทุกสายงานจะต้องเข้าใจ AI ข้อมูล และกระบวนการดิจิทัลมากกว่าเดิม

2. โอกาสไม่ได้มีแค่คนเขียนโค้ด

WEF ยังระบุว่า ภายในปี 2030 บทบาทด่านหน้าและภาคบริการพื้นฐาน เช่น การดูแลและการศึกษา มีแนวโน้มเป็นกลุ่มที่มีการเติบโตของงานสูงที่สุด^[10]

นี่ทำให้เส้นทางอาชีพไม่ได้เหลือแค่ “ต้องย้ายไปสาย AI” เท่านั้น อีกทางที่เป็นจริงสำหรับคนจำนวนมากคือ อยู่ในสายเดิม เช่น การศึกษา การดูแล บริการ ปฏิบัติการ การตลาด การเงิน หรืองานธุรการ แต่กลายเป็นคนที่ใช้ AI และเครื่องมือดิจิทัลได้เก่งกว่าคนอื่นในสายงานเดียวกัน

3. ความเสี่ยงต้องดูที่ “งานย่อย” ไม่ใช่แค่ชื่อตำแหน่ง

ILO เน้นการประเมินผลกระทบของ Generative AI ด้วยข้อมูลระดับงานย่อย ความเห็นผู้เชี่ยวชาญ และการคาดการณ์ของ AI^[5] ประเด็นนี้สำคัญมาก เพราะในตำแหน่งเดียวกันอาจมีทั้งงานที่ AI ช่วยเร่งได้ เช่น สรุป จัดหมวดหมู่ ร่างเอกสาร หรือจัดตารางข้อมูล และงานที่ยังต้องใช้มนุษย์รับผิดชอบ เช่น ตัดสินใจ เจรจา เข้าใจบริบท หรือรับผลลัพธ์สุดท้าย

WEF ระบุด้วยว่า AI และเทคโนโลยีอื่น ๆ กำลังปรับโครงสร้างตลาดงาน ทำให้ความต้องการบางตำแหน่งสายเทคและสายผู้เชี่ยวชาญเพิ่มขึ้น ขณะเดียวกันบางตำแหน่งอาจลดลง เช่น graphic designers หรือนักออกแบบกราฟิก^[10] แต่เรื่องนี้ไม่ได้หมายความว่างานออกแบบทั้งหมดจะหายไป สิ่งที่ควรอ่านจากสัญญาณนี้คือ งานที่พึ่งพาผลงานมาตรฐานซ้ำ ๆ ต้องยกระดับไปสู่กลยุทธ์ แบรนด์ ความเข้าใจบริบท และการควบคุมคุณภาพมากขึ้น

เช็กตัวเองก่อน: งานส่วนไหนของคุณน่าจะถูก AI เปลี่ยนก่อน

ตารางนี้ไม่ใช่คำทำนายแบบฟันธง แต่ใช้แนวคิดของ ILO ที่มองผลกระทบในระดับงานย่อยมาปรับเป็นเช็กลิสต์สำหรับคนทำงาน^[5]

ลักษณะงานที่ทำบ่อย	สัญญาณที่ควรสังเกต	ทักษะที่ควรเสริมก่อน
งานซ้ำ ๆ รูปแบบค่อนข้างตายตัว ทำเป็นขั้นตอนได้	เหมาะกับการทดลองใช้ AI หรือระบบอัตโนมัติช่วยลดเวลา	ใช้ AI ในงานจริง, เขียน SOP, ตรวจคุณภาพ, ออกแบบ workflow
งานที่ใช้ข้อความ ตาราง สรุป รายงาน หรือคำตอบมาตรฐาน	AI ช่วยเร่งการผลิตงานได้ แต่ต้องมีคนตรวจทาน	เขียน prompt, จัดข้อมูล, ตรวจสอบผลลัพธ์, ทำเอกสารอัตโนมัติ
งานประสานงาน ข้ามทีม คุยลูกค้า หรือต้องตัดสินใจแลกเปลี่ยนข้อดีข้อเสีย	AI ช่วยเตรียมข้อมูลได้ แต่ความรับผิดชอบสุดท้ายยังอยู่ที่คน	แยกปัญหาเป็นส่วน ๆ, เขียนเชิงธุรกิจ, ใช้ AI วิเคราะห์เบื้องต้น, ใช้กรอบตัดสินใจ
งานที่คุณค่ามาจากความเชี่ยวชาญเฉพาะทางและความเข้าใจบริบท	ไม่จำเป็นต้องเปลี่ยนอาชีพทันที แต่ควรเชื่อม AI เข้ากับงานเดิม	ความลึกในสายอาชีพ, ความรู้เท่าทันเทคโนโลยี, กระบวนการส่งมอบงานที่ทำซ้ำได้

5 ทักษะที่ควรเริ่มเรียนในปี 2025

1. พื้นฐาน AI และแมชชีนเลิร์นนิง

ผู้เชี่ยวชาญ AI และแมชชีนเลิร์นนิงอยู่ในกลุ่มตำแหน่งที่ WEF ระบุว่าเติบโตเร็วที่สุดในเชิงเปอร์เซ็นต์^[9] แต่สำหรับคนส่วนใหญ่ จุดเริ่มต้นไม่จำเป็นต้องเป็นการสร้างโมเดลเองทันที

สิ่งที่ควรรู้ก่อนคือ AI ทำอะไรได้ดี ทำอะไรไม่ได้ดี งานแบบไหนต้องตรวจซ้ำ ข้อมูลแบบไหนไม่ควรโยนเข้าเครื่องมือภายนอก และจะใช้ AI ช่วยวิจัย สรุป ร่างเอกสาร จัดข้อมูล หรือวิเคราะห์เบื้องต้นอย่างไรให้มีมาตรฐาน

เป้าหมายไม่ใช่ท่องศัพท์เทคนิคให้เยอะที่สุด แต่คือสร้างวิธีทำงานที่มีข้อมูลนำเข้า ชิ้นงานออก รูปแบบการตรวจ และขอบเขตความปลอดภัยชัดเจน

2. การวิเคราะห์ข้อมูลและ Big Data

ผู้เชี่ยวชาญ Big Data เป็นอีกหนึ่งตำแหน่งที่ WEF จัดอยู่ในกลุ่มเติบโตเร็วที่สุด^[9] ขณะที่ ARISA สรุปจากรายงาน WEF ว่า AI and Big Data เป็นชุดทักษะที่โดดเด่นมาก^[3]

ถ้าอยากเลือกฮาร์ดสกิลหนึ่งอย่างก่อน อาจเริ่มจากการวิเคราะห์ตาราง, SQL, การทำ data visualization หรือ Python พื้นฐาน เลือกให้เข้ากับงานจริงของคุณมากที่สุด ไม่จำเป็นต้องเรียนทุกเครื่องมือพร้อมกัน

แก่นของทักษะข้อมูลคือ ทำให้ข้อมูลที่กระจัดกระจายกลายเป็นหลักฐานที่ตรวจสอบได้ อธิบายได้ และช่วยตัดสินใจได้

3. การพัฒนาซอฟต์แวร์ แอปพลิเคชัน และวิธีคิดแบบอัตโนมัติ

ARISA ระบุว่า Software and Application Development เป็นหนึ่งในสายความเชี่ยวชาญที่มีความต้องการเด่นชัดจากรายงาน WEF^[3]

แม้คุณไม่ได้ตั้งใจเป็นนักพัฒนาซอฟต์แวร์เต็มตัว ก็ยังควรเข้าใจภาพรวมของผลิตภัณฑ์ดิจิทัล การไหลของข้อมูล API สคริปต์ เครื่องมือ no-code หรือ low-code และการทำงานแบบอัตโนมัติ

มูลค่าจริงของ AI มักไม่ได้อยู่ที่การสั่งให้มันเขียนข้อความครั้งเดียว แต่อยู่ที่การเอามันไปใส่ในกระบวนการที่ทำซ้ำได้ ติดตามได้ และดูแลต่อได้ คนที่เข้าใจการพัฒนาและ automation จึงมีโอกาสเปลี่ยนไอเดียให้เป็นระบบทำงานจริงมากกว่า

4. พื้นฐานเครือข่ายและความปลอดภัยไซเบอร์

ARISA สรุปว่า Networks and Cybersecurity เป็นชุดทักษะสำคัญที่ตามหลัง AI and Big Data^[3] เมื่อการทำงานย้ายไปอยู่บนเครื่องมือดิจิทัลมากขึ้น ความปลอดภัยไซเบอร์ก็ไม่ใช่เรื่องของทีม IT อย่างเดียว

คนทำงานข้ามสายงานอย่างน้อยควรรู้เรื่องสิทธิ์การเข้าถึงไฟล์ การอัปโหลดข้อมูลได้หรือไม่ได้ วิธีจัดการข้อมูลอ่อนไหว การเก็บร่องรอยการทำงาน และการตรวจสอบผลลัพธ์จากเครื่องมือ

พูดง่าย ๆ ใช้เครื่องมือเป็นคือขั้นแรก แต่ใช้ให้ปลอดภัยและรับผิดชอบได้คือทักษะระยะยาว

5. ความรู้เท่าทันเทคโนโลยีทั่วไป

ARISA ยังระบุว่า general technological literacy หรือความรู้เท่าทันเทคโนโลยีทั่วไป เป็นทักษะสำคัญอีกด้านหนึ่ง^[3]

นี่คือทักษะที่คนไม่ใช่สายเทคมักมองข้าม คุณไม่จำเป็นต้องเขียนโค้ดมาก แต่ควรรู้ว่าเครื่องมือต่าง ๆ เชื่อมกันอย่างไร ข้อมูลมาจากไหน ผลลัพธ์ตรวจสอบอย่างไร และเมื่อไรควรดึงผู้เชี่ยวชาญด้านข้อมูล วิศวกรรม ผลิตภัณฑ์ หรือความปลอดภัยเข้ามาช่วย

ความรู้เท่าทันเทคโนโลยีคือสะพานที่ทำให้คุณคุยกับทีมเทคได้รู้เรื่อง และทำให้การใช้ AI ไม่หยุดอยู่แค่ “ลองเล่นเครื่องมือ” แต่ไปถึง “ทำให้งานดีขึ้นจริง”

ถ้าคุณอยู่สายนี้ ควรเริ่มจากอะไร

บทบาทปัจจุบัน	สิ่งที่ควรเรียนก่อน
ธุรการ ปฏิบัติการ ลูกค้าสัมพันธ์ ประสานงานโครงการ	ใช้ AI จัดเอกสาร สรุปประชุม ทำความสะอาดข้อมูล เขียน SOP และทำ workflow อัตโนมัติ
การตลาด คอนเทนต์ ออกแบบ	ใช้ AI ช่วยวิจัยและร่างงาน เสริมการตัดสินใจด้านแบรนด์ ตรวจคุณภาพคอนเทนต์ และอ่านข้อมูลผลลัพธ์ ถ้างานพึ่งพาผลงานภาพมาตรฐานซ้ำ ๆ มาก ควรขยับไปสู่กลยุทธ์ แบรนด์ และความเข้าใจบริบทมากขึ้น เพราะ WEF ยก graphic designers เป็นตัวอย่างตำแหน่งที่อาจลดลง[10]
วิศวกรรม ผลิตภัณฑ์ ข้อมูล	AI/ML, Big Data, การพัฒนาซอฟต์แวร์และแอปพลิเคชัน, เครือข่ายและความปลอดภัยไซเบอร์[3][9]
การศึกษา การดูแล บริการ	เสริมความเชี่ยวชาญในงานหลักและทักษะมนุษย์ก่อน แล้วใช้ AI ลดงานเอกสาร จัดข้อมูล และปรับปรุงการส่งมอบบริการ โดย WEF ระบุว่าภาคการดูแลและการศึกษามีแนวโน้มเติบโตสูงภายในปี 2030[10]
การเงิน ธุรกิจ วิเคราะห์ปฏิบัติการ	วิเคราะห์ข้อมูล automation ความเข้าใจผลิตภัณฑ์ และฟินเทค เพราะ WEF จัดวิศวกรฟินเทคไว้ใน 3 ตำแหน่งที่เติบโตเร็วที่สุดในเชิงเปอร์เซ็นต์[9]

เปลี่ยนการเรียนให้เป็นผลงานที่คนอื่นเห็นได้

1. เริ่มจากงานที่ทำจริง ไม่ใช่เริ่มจากความกลัวชื่อตำแหน่ง
   เขียนรายการงานที่คุณทำในหนึ่งสัปดาห์ แล้ววงว่างานไหนซ้ำ รูปแบบตายตัว ใช้เอกสาร ตาราง หรือรายงานจำนวนมาก วิธีคิดนี้สอดคล้องกับแนวทางของ ILO ที่ประเมินผลกระทบของ Generative AI ในระดับงานย่อย^[5]

2. เลือกหนึ่งสถานการณ์มาทำเป็น workflow
   เช่น สรุปประชุม ตอบลูกค้าเบื้องต้น ล้างข้อมูล วิจัยคู่แข่ง หรือทำรายงานประจำสัปดาห์ กำหนดข้อมูลนำเข้า prompt รูปแบบผลลัพธ์ และจุดที่มนุษย์ต้องตรวจซ้ำให้ชัด

3. เติมฮาร์ดสกิลหนึ่งอย่างที่ต่อกับงานเดิมได้
   อาจเป็น SQL, Python, data visualization, automation tool หรือพื้นฐาน cybersecurity เลือกจากงานที่คุณใช้จริง อย่าเรียนแยกจากบริบทงานจนไม่รู้ว่าจะเอาไปใช้ตรงไหน

4. เก็บหลักฐาน ไม่ใช่แค่บอกว่าใช้ AI เป็น
   สิ่งที่มีน้ำหนักกว่าคำว่า “ใช้ AI ได้” คือ workflow ที่คุณออกแบบ เกณฑ์ตรวจคุณภาพ ตัวอย่างก่อนและหลังใช้เครื่องมือ เวลาที่ลดลง หรือคุณภาพงานที่ดีขึ้น

5. ให้มนุษย์ยังเป็นคนตัดสินใจสุดท้าย
   AI ช่วยจัดระเบียบ สรุป ร่าง และวิเคราะห์เบื้องต้นได้ แต่เป้าหมาย ความเสี่ยง การสื่อสาร ความรับผิดชอบ และการตัดสินใจสุดท้ายยังควรอยู่กับมนุษย์

สรุป: อย่าเรียนแค่คำศัพท์ AI ให้เอา AI ไปต่อยอดผลลัพธ์ของคุณ

จากสัญญาณของ WEF และ ILO ในปี 2025 ผลกระทบของ AI ต่อการทำงานดูเหมือนการจัดระเบียบทักษะใหม่และการแบ่งงานใหม่ มากกว่าการทำให้ทุกอาชีพหายไปพร้อมกัน WEF มองเห็นทั้งโอกาสงานใหม่และแรงกดดันให้ยกระดับทักษะ ส่วน ILO วิเคราะห์ผลกระทบของ Generative AI ในระดับงานย่อย^[10][5]

ถ้างานของคุณมีส่วนที่ซ้ำ เป็นมาตรฐาน และออกผลลัพธ์เป็นเอกสารหรือตารางบ่อย ๆ ให้เริ่มจาก AI tools การจัดข้อมูล และ automation ถ้างานของคุณพึ่งพาความเชี่ยวชาญ การสื่อสาร และความเข้าใจบริบท ให้ใช้ AI ขยายความสามารถด้านการค้นคว้า วิเคราะห์ สื่อสาร และส่งมอบงาน

คนที่ได้เปรียบในระยะต่อไปอาจไม่ใช่คนที่ท่องศัพท์ AI ได้มากที่สุด แต่คือคนที่เปลี่ยน AI ให้เป็นผลงานที่ตรวจสอบได้ วัดผลได้ และเชื่อมกับคุณค่าของงานตัวเองจริง