รายงาน G-P: AI ในที่ทำงานถึงจุดที่ต้องพิสูจน์ความคุ้มค่า

ปัญหาไม่ใช่การยอมรับ AI แต่คือความเชื่อมั่นในผลลัพธ์

รายงานนี้ไม่ได้บอกว่าองค์กรกำลังถอยหนีจาก AI ตรงกันข้าม G-P ระบุว่าผู้บริหารในกลุ่มสำรวจทั้งหมดใช้งาน AI แล้ว ประเด็นจึงไม่ได้อยู่ที่ “มีใช้หรือไม่” แต่อยู่ที่ “ใช้แล้วสร้างผลลัพธ์ที่พิสูจน์ได้หรือไม่”

นี่เป็นการเปลี่ยนจังหวะจากรอบก่อนหน้าอย่างชัดเจน รายงาน 2025 AI at Work Report ของ G-P เคยสะท้อนบรรยากาศเร่งขยายการใช้งาน โดย 91% ของผู้บริหารระบุว่ากำลังขยายโครงการ AI อย่างจริงจัง และ 74% มองว่า AI สำคัญต่อความสำเร็จของบริษัท แต่ในรายงานปี 2026 น้ำหนักของเรื่องเล่าเปลี่ยนไปสู่ความรับผิดชอบ การทดสอบผลลัพธ์ และการพิสูจน์ ROI

งานวิจัยอื่นก็ชี้ไปในทิศทางคล้ายกัน Boston Consulting Group รายงานว่า 60% ของบริษัทไม่ได้สร้างมูลค่าจาก AI ในระดับที่มีนัยสำคัญ ขณะที่อีก 35% เริ่มเห็นผลตอบแทนบางส่วน แต่ยังยอมรับว่าเดินหน้าได้ไม่ไกลพอหรือเร็วพอ ส่วน McKinsey พบว่า 92% ของบริษัทวางแผนเพิ่มการลงทุนด้าน AI ในช่วง 3 ปี แต่มีเพียง 1% ของผู้นำที่บอกว่าองค์กรของตน “เติบโตเต็มที่” พอที่ AI จะฝังอยู่ในเวิร์กโฟลว์และสร้างผลลัพธ์ทางธุรกิจอย่างมีนัยสำคัญ

ต้นทุนแฝง: AI ทำให้งานเร็วขึ้น แต่ก็อาจทำให้งานหนักขึ้น

หนึ่งในเหตุผลที่ ROI ของ AI อาจไม่สวยอย่างที่คาด คือ AI ช่วยเร่งขั้นตอนหนึ่ง แต่ไปเพิ่มภาระอีกขั้นตอนหนึ่งแทน G-P ระบุว่า 69% ของผู้บริหารบอกว่าพนักงานใช้เวลามากขึ้นกับการติดตาม ตรวจสอบ หรืออัปเดตงานที่ AI สร้างขึ้น

ในชีวิตการทำงานจริง เครื่องมือ AI อาจช่วยสร้างร่างเอกสาร คำตอบ โค้ด หรือสรุปข้อมูลได้เร็วขึ้นมาก แต่ภาระไม่ได้หายไปทั้งหมด พนักงานยังต้องตรวจความถูกต้อง ปรับภาษา แก้ข้อผิดพลาด ประเมินความเสี่ยง และตัดสินใจว่างานนั้นพร้อมใช้งานจริงหรือไม่

จุดนี้สำคัญ เพราะ “ปริมาณงานที่ผลิตได้” ไม่เท่ากับ “ผลิตภาพสุทธิ” หาก AI ทำให้ทีมสร้างงานได้มากขึ้น แต่ต้องใช้เวลาตรวจทาน แก้ไข และเขียนใหม่มากขึ้น ผลตอบแทนจริงต้องคำนวณจากทั้งกระบวนการ ไม่ใช่แค่ความเร็วของขั้นตอนที่ถูกอัตโนมัติ งานวิจัยของ Workday ที่ Channel Insider สรุปไว้ก็ชี้ในทิศทางเดียวกันว่า เวลาที่ AI ช่วยประหยัดได้อาจถูกหักล้างด้วยงานซ้ำ เช่น การแก้ข้อผิดพลาด การเขียนใหม่ และการตรวจสอบเอาต์พุตจาก AI อีกครั้ง

“ใช้ AI แล้วดูยุ่ง” กำลังกลายเป็นความเสี่ยงด้านการบริหาร

อีกประเด็นที่น่าสนใจคือ AI อาจทำให้กิจกรรมดูเหมือนผลงาน รายงานของ G-P พบว่า 88% ของผู้บริหารกังวลว่าพนักงานอาจใช้ AI เพื่อให้ดูมีผลิตภาพ หรือเพื่อทำตามความคาดหวังว่าต้องใช้ AI โดยไม่ได้สร้างผลลัพธ์ที่มีความหมายจริง ขณะที่ 47% กังวลมากหรือกังวลอย่างยิ่งว่าสิ่งนี้กำลังเกิดขึ้นแล้ว

ความกังวลนี้เป็นคำเตือนต่อองค์กรที่วัดความสำเร็จของ AI ด้วยตัวเลขผิวเผิน เช่น จำนวนล็อกอิน จำนวนพรอมป์ จำนวนเอกสารที่ AI สร้าง หรือการรายงานตนเองว่า “ใช้ AI แล้ว” ตัวชี้วัดเหล่านี้บอกได้ว่ามีกิจกรรมเกิดขึ้น แต่ไม่ได้พิสูจน์ว่างานดีขึ้น เร็วขึ้น ปลอดภัยขึ้น หรือทำกำไรได้มากขึ้น

ปริศนาแรงงานมนุษย์: ยิ่งต้องตรวจ AI แต่กลับถูกให้ค่าน้อยลง

ตัวเลขที่ละเอียดอ่อนที่สุดในรายงานคือ 82% ของผู้บริหารบอกว่า AI ทำให้พวกเขาให้คุณค่ากับพนักงานมนุษย์ลดลง ตัวเลขนี้สะดุดตา เพราะในรายงานเดียวกัน ผู้บริหารจำนวนมากก็ยอมรับว่ามนุษย์ยังต้องใช้เวลาตรวจสอบ ติดตาม และอัปเดตงานที่ AI สร้างขึ้น

บทเรียนจึงไม่ใช่ว่าคนหมดความสำคัญ แต่เป็นไปได้ว่าองค์กรบางแห่งกำลังประเมินค่าของ “วิจารณญาณมนุษย์” ต่ำเกินไป ทั้งที่การทำให้ AI ใช้ได้จริงในธุรกิจยังต้องอาศัยคนในการตีความ ตรวจสอบความถูกต้อง เข้าใจบริบท และรับผิดชอบผลลัพธ์ McKinsey เสนอในทำนองเดียวกันว่า บริษัทควรเน้นการใช้งาน AI ที่ช่วยเสริมพลังพนักงานในงานประจำวัน และเชื่อม AI เข้ากับผลลัพธ์ที่วัดได้ แทนที่จะมอง AI เป็นเพียงโครงการติดตั้งเทคโนโลยีอีกชุดหนึ่ง

องค์กรควรวัดความสำเร็จของ AI ใหม่อย่างไร

สิ่งที่รายงานของ G-P ชี้ให้เห็นคือ องค์กรควรวัด AI จาก “ผลลัพธ์” มากกว่า “การนำไปใช้” ชุดตัวชี้วัดที่แข็งแรงกว่าควรครอบคลุมอย่างน้อย 6 ด้าน

1. ผลกระทบทางธุรกิจ: AI ช่วยเพิ่มรายได้ ลดต้นทุน ยกระดับประสบการณ์ลูกค้า ลดความเสี่ยง หรือทำให้งานที่ตรวจสอบแล้วส่งมอบได้เร็วขึ้นหรือไม่
2. ผลิตภาพสุทธิ: เวลาที่ประหยัดได้ต้องหักด้วยเวลาที่ใช้ตรวจ แก้ เขียนใหม่ หรืออัปเดตงานที่ AI สร้างขึ้น
3. คุณภาพงาน: ดูอัตราข้อผิดพลาด อัตราการส่งต่อให้ผู้เชี่ยวชาญแก้ ปัญหาด้าน compliance ความพึงพอใจของลูกค้า และสัดส่วนเอาต์พุต AI ที่นำไปใช้ได้โดยไม่ต้องแก้มาก
4. การฝังในเวิร์กโฟลว์: AI อยู่ในกระบวนการที่มีมูลค่าสูงจริงหรือเป็นเพียงเครื่องมืออีกตัวที่เปิดให้ใช้เฉย ๆ
5. การยกระดับคนทำงาน: AI ช่วยให้พนักงานตัดสินใจดีขึ้น ทำงานที่มีคุณค่ามากขึ้น และลดงานซ้ำซากหรือไม่ ไม่ใช่แค่เพิ่มปริมาณงานที่ผลิตออกมา
6. ความรับผิดชอบด้านงบประมาณ: แต่ละกรณีใช้งานควรมีเจ้าของ เป้าหมายตั้งต้น ตัวชี้วัดความสำเร็จ และวันที่ต้องทบทวน ก่อนจะขยายงบเพิ่มเติม

พูดให้สั้นที่สุด องค์กรควรหยุดถามแค่ว่า “พนักงานใช้ AI หรือยัง” แล้วเริ่มถามว่า “AI ทำให้งานสำคัญที่ตรวจสอบแล้วดีขึ้นจริงหรือไม่”

สรุป: ไม่ใช่เรื่องต่อต้าน AI แต่เป็นยุคตรวจการบ้าน AI

รายงาน 2026 AI at Work ของ G-P ไม่ใช่เรื่องเล่าว่า AI ล้มเหลว แต่เป็นเรื่องของความรับผิดชอบต่อผลลัพธ์ แบบสำรวจเดียวกันที่พบว่าผู้บริหารในกลุ่มสำรวจใช้งาน AI กันถ้วนหน้า ยังพบด้วยว่า 73% ผิดหวังกับการลงทุน AI อย่างน้อยบางส่วน และผู้บริหารเกือบ 70% อาจลดการลงทุนหากไม่เห็นผลตามเป้าหมาย

เพราะรายงานนี้อิงคำตอบจากผู้บริหาร จึงไม่ควรอ่านว่าเป็นหลักฐานตรวจสอบทางการเงินว่า AI ล้มเหลวในทุกองค์กร แต่สิ่งที่เห็นชัดคือภาระการพิสูจน์ได้เปลี่ยนมือแล้ว ระยะต่อไปของ AI ในที่ทำงานจะไม่ได้วัดกันที่การเปิดใช้เครื่องมือมากเท่าไร แต่วัดกันที่มูลค่าทางธุรกิจที่เชื่อถือได้ ตรวจสอบได้ และยังต้องมีมนุษย์เป็นผู้รับรองคุณภาพในจุดสำคัญ