Meta และ Klarna ถอยจากโมเดล AI-first: เหตุใดระบบอัตโนมัติยังต้องมีคน

AI กำลังเปลี่ยนวิธีที่บริษัทออกแบบทีมงาน แต่กรณีของ Meta และ Klarna สะท้อนว่า การให้ AI แทนที่ “ทั้งหน้าที่งาน” ยังยากกว่าการใช้ AI ทำ “บางส่วนของงาน” มาก

บทเรียนร่วมกันไม่ใช่การปฏิเสธ AI แต่เป็นเรื่องการออกแบบงานให้ตรงกับข้อเท็จจริง: AI ทำงานที่มีรูปแบบชัดเจนและทำซ้ำได้ในปริมาณมาก แต่คนยังจำเป็นต่อการตีความบริบท ตรวจทานผลลัพธ์ ตัดสินใจเมื่อเกิดข้อยกเว้น และรับผิดชอบต่อประสบการณ์ของลูกค้า

Meta: แผนทีมเล็กลงต้องเจอกับความซับซ้อนของงานจริง

Reuters รายงานว่า Project OT หรือ Organization Transformation ของ Meta เป็นแผนปรับโครงสร้างสองระลอก บริษัทดำเนินการลดพนักงานระลอกแรกในเดือนพฤษภาคม 2026 ราว 10% ของพนักงานทั้งหมด ก่อนยุติการวางแผนสำหรับระลอกถัดไปที่เดิมกำหนดไว้ในเดือนพฤศจิกายน Meta ยืนยันว่ามี Project OT จริง โดยอธิบายว่าเป็นโครงการตลอดหนึ่งปีที่เน้นลดต้นทุน ออกแบบโครงสร้างทีมใหม่ และย้ายพนักงานไปยังงานที่เป็นลำดับความสำคัญ 2

ความสำคัญของการเปลี่ยนทิศครั้งนี้อยู่ที่วิสัยทัศน์เดิม ซึ่งมุ่งให้ทีมมนุษย์ขนาดเล็กทำงานร่วมกับ AI agents มากขึ้น แต่ในงานที่เชื่อมโยงหลายระบบและมีรายละเอียดมาก การสร้างร่างเอกสาร โค้ด หรือผลลัพธ์จำนวนมาก ไม่ได้แปลว่าจะส่งมอบผลิตภัณฑ์ได้อย่างเชื่อถือได้โดยอัตโนมัติ

คนยังต้องกำหนดเป้าหมาย เชื่อมงานข้ามระบบ ทดสอบผลลัพธ์ จับความผิดพลาด และรับผิดชอบเมื่อสิ่งต่าง ๆ ไม่เป็นไปตามแผน Meta ไม่ได้เลิกลงทุนใน AI หรือเลิกใช้ AI ในการทำงาน สิ่งที่เปลี่ยนไปคือแผนลดคนในวงกว้างตามกรอบเวลาเดิมไม่ได้เดินหน้าต่อ 2

Klarna: ปริมาณงานที่ AI รับได้ ไม่ได้เท่ากับคุณภาพบริการ

ฝั่ง Klarna ซึ่งเป็นบริษัทฟินเทคจากสวีเดน บทเรียนปรากฏชัดในงานบริการลูกค้า ผู้ช่วย AI ของบริษัทสามารถจัดการบทสนทนาซัพพอร์ตมาตรฐานจำนวนมาก เช่น คำถามเรื่องการชำระเงิน การคืนเงิน และการคืนสินค้า แต่บริษัทภายหลังปรับออกจากแนวทางที่พึ่ง AI เป็นหลัก และกลับมาเปิดรับพนักงานบริการลูกค้าที่เป็นมนุษย์อีกครั้ง 1720

ตามรายงานเกี่ยวกับการเปลี่ยนทิศทางนี้ Sebastian Siemiatkowski ซีอีโอของ Klarna ยอมรับว่าบริษัทลดขีดความสามารถของทีมมนุษย์เร็วและมากเกินไป จนสูญเสียความเชี่ยวชาญที่สำคัญ AI ไม่ได้ไร้ประโยชน์ แต่มีข้อจำกัดเมื่อเจอปัญหาซับซ้อน คลุมเครือ หรืออ่อนไหวทางอารมณ์ ซึ่งต้องอาศัยการสืบค้นข้อเท็จจริง ดุลยพินิจ และความเห็นอกเห็นใจจากคน Klarna จึงเริ่มสร้างขีดความสามารถของทีมซัพพอร์ตมนุษย์ควบคู่กับระบบอัตโนมัติ 1819

สำหรับงานบริการลูกค้า ประเด็นนี้มีความหมายมาก ระบบอาจตอบคำถามทั่วไปได้รวดเร็ว แต่หากลูกค้าที่มีข้อพิพาทเรื่องการชำระเงิน สถานการณ์เฉพาะตัว หรือปัญหาที่กำลังบานปลาย เข้าถึงเจ้าหน้าที่ที่มีอำนาจและความสามารถไม่ได้ ความเชื่อมั่นก็อาจเสียหายได้ ดังนั้นระบบอัตโนมัติที่ดีต้องมีเส้นทางส่งต่อเคสไปยังคน และมีผู้รับผิดชอบอย่างชัดเจน

โมเดลที่เริ่มเห็นชัด: ใช้ AI เพิ่มแรงทวีคูณ ไม่ใช่แทนทุกบทบาท

ทั้งสองกรณีชี้ไปยังรูปแบบการทำงานที่น่าจะยั่งยืนกว่า

• ทำให้งานที่คาดการณ์ได้เป็นอัตโนมัติ — AI เหมาะกับงานที่ข้อมูลนำเข้าเป็นมาตรฐาน ตรวจสอบผลได้ง่าย และแก้ไขความผิดพลาดได้โดยมีต้นทุนต่ำ
• ให้คนอยู่ตรงจุดตัดสินใจ — มนุษย์ยังสำคัญเมื่อการทำงานต้องใช้บริบทจากหลายระบบ ต้องชั่งน้ำหนักผลได้ผลเสีย ใช้ดุลยพินิจ รับผิดชอบต่อผลลัพธ์ หรือดูแลความสัมพันธ์
• ออกแบบจุดส่งต่อให้ชัด — งานบริการลูกค้าและกระบวนการที่มีความเสี่ยงสูงต้องส่งต่อไปยังผู้เชี่ยวชาญได้ ไม่ใช่ปล่อยให้ผู้ใช้ติดอยู่ในวงวนของระบบอัตโนมัติ
• วัดผลลัพธ์ ไม่ใช่แค่ปริมาณงาน — โค้ดที่สร้างได้มากขึ้น เวลาตอบครั้งแรกที่เร็วขึ้น หรือจำนวนเคสที่ระบบปิดได้ ล้วนเป็นตัวชี้วัดที่ไม่พอ หากคุณภาพ ความถูกต้อง การแก้ปัญหา ความปลอดภัย หรือความเชื่อมั่นของลูกค้าแย่ลง

นั่นไม่ได้หมายความว่างานจะไม่เปลี่ยน แต่การเปลี่ยนแปลงอาจมาในรูปแบบการออกแบบทีมใหม่ ทักษะที่นายจ้างต้องการเปลี่ยนไป และตำแหน่งงานรูทีนที่ลดลง มากกว่าจะเป็นจุดจบทันทีของแรงงานมนุษย์

ข้อมูลการจ้างงาน: บริษัทเทคโนโลยีกำลังโยกความต้องการไปสู่ทักษะเทคนิค

ภาพตลาดแรงงานเทคโนโลยีโดยรวมสอดคล้องกับแนวคิดดังกล่าว SignalFire รายงานว่า การจ้างงานของบริษัทเทคโนโลยีรายใหญ่ต่ำกว่าระดับปี 2019 อยู่ 25% ขณะที่การจ้างงานวิศวกรซอฟต์แวร์ลดลง 11% ทำให้วิศวกรซอฟต์แวร์คิดเป็น 55% ของการจ้างงานทั้งหมด เทียบกับ 46% ในปี 2019 49

ตัวเลขนี้ไม่ได้พิสูจน์ว่า AI เป็นสาเหตุของทุกความเปลี่ยนแปลง เพราะการจ้างงานในอุตสาหกรรมเทคโนโลยียังขึ้นกับวัฏจักรธุรกิจและการปรับขนาดองค์กรหลังช่วงโควิด-19 ด้วย แต่ข้อมูลสะท้อนว่าองค์กรที่เล็กลงไม่ได้หมดความต้องการบุคลากรเทคนิค ความต้องการกำลังย้ายไปสู่คนที่สร้าง นำไปใช้งาน ประเมิน ดูแลความปลอดภัย และกำกับระบบอัตโนมัติได้

ความเสี่ยงระยะใกล้อาจอยู่ที่บันไดอาชีพของคนเริ่มทำงาน

นักวิจัยจาก Stanford Digital Economy Lab ไม่พบหลักฐานของการแทนที่งานเป็นวงกว้างทั่วเศรษฐกิจในข้อมูลเงินเดือนภาคธุรกิจของสหรัฐฯ จนถึงเดือนมิถุนายน 2026 อย่างไรก็ดี การจ้างงานของแรงงานอายุ 22–25 ปีในอาชีพที่เผชิญ AI สูง อยู่ต่ำกว่าระดับที่ควรเป็น 19% หากการจ้างงานเติบโตทันกับกลุ่มวัยเดียวกันในอาชีพที่เผชิญ AI น้อยกว่า ขณะที่แรงงานมีประสบการณ์ไม่พบช่องว่างในลักษณะเดียวกัน และการปรับตัวเกิดจากการลดการจ้างใหม่เป็นหลัก ไม่ใช่การเลิกจ้างที่เพิ่มขึ้น 35

ตัวเลข 19% นี้เป็นช่องว่างแบบ “ตามไม่ทัน” ไม่ใช่จำนวนตำแหน่งงานที่ AI กำจัดไปโดยตรง กระนั้น มันชี้ให้เห็นโจทย์สำคัญ: หาก AI รับงานรูทีนที่เคยเป็นงานเริ่มต้นได้มากขึ้น บริษัทก็อาจเปิดโอกาสให้คนรุ่นใหม่ได้เก็บประสบการณ์เพื่อเติบโตไปสู่งานระดับสูงน้อยลง

สิ่งที่องค์กรควรเรียนรู้จาก Meta และ Klarna

คำถามที่มีประโยชน์ไม่ใช่ “จะใช้ AI หรือไม่” แต่คือ “ควรใช้ AI ตรงไหนจึงจะทำให้งานดีขึ้น โดยไม่ตัดทอนความสามารถของมนุษย์ที่ทำให้กระบวนการนั้นเชื่อถือได้”

การระงับแผนระลอกสองของ Meta และการกลับมาจ้างทีมซัพพอร์ตของ Klarna ต่างชี้ว่า บริษัทควรทดสอบระบบอัตโนมัติด้วยผลลัพธ์จริง เช่น การส่งมอบผลิตภัณฑ์ที่สำเร็จ การตัดสินใจที่ถูกต้อง เคสที่แก้จบ ความเชื่อมั่นของลูกค้า และต้นทุนในการกู้คืนเมื่อเกิดปัญหา

ในจุดที่ AI ทำได้ดี มันช่วยเพิ่มศักยภาพให้ทีมขนาดเล็กได้ แต่ในงานที่เต็มไปด้วยความไม่แน่นอนหรือมีผลกระทบสูง รูปแบบที่เหมาะสมมักเป็น คนทำงานร่วมกับ AI ไม่ใช่ระบบที่ไม่มีคนเลย