โดย Thanedpol Dechaduangsakul | เผยแพร่: 11 สิงหาคม 2569 | อ้างอิง: The Secret Sauce

สรุปสาระสำคัญ

• แรงงานอายุต่ำกว่า 25 ปี 37% อยู่ในอาชีพเสี่ยงปานกลาง-สูงที่ AI จะเข้ามาเปลี่ยนแปลง (WEF)

• Microsoft เรียกปรากฏการณ์นี้ว่า AI Boost (คนมีประสบการณ์) กับ AI Drag (คนเริ่มงาน)

• McKinsey เสนอ 4 แนวทางให้องค์กรออกแบบงานเริ่มต้นใหม่ แทนการเลิกจ้างเด็กจบใหม่

• Bank of America ยังจ้างพนักงานใหม่เกือบ 4,000 คนในปี 2026 พร้อมเทรนด้วย AI Simulation

• มี 4 ทักษะที่ AI แทนไม่ได้ ซึ่งคนทำงานทุกวัยฝึกได้ตั้งแต่วันนี้

สรุปคลิป Youtube: ใครจะโตเป็นหัวหน้า? AI เปลี่ยนงานเด็กจบใหม่ ในรายการ THE SECRET SAUCE, EXECUTIVE ESPRESSO EP.616

จะสร้างคนเก่งรุ่นต่อไปอย่างไร ในวันที่หลายองค์กรเริ่มจ้าง AI แทนเด็กจบใหม่แล้วจริง ๆ — ถอดบทวิเคราะห์จากรายงาน World Economic Forum และ McKinsey ว่าองค์กรควรทำอะไร และเด็กจบใหม่ควรฝึกทักษะอะไรก่อนจะสาย

1. 37% แรงงานอายุต่ำกว่า 25 ปี ทำงานในอาชีพเสี่ยงปานกลาง–สูงที่จะถูก AI เปลี่ยนแปลง จาก WEF, 2026

2. 2 ปรากฏการณ์คู่ขนาน AI Boost (คนมีประสบการณ์) กับ AI Drag (คนเริ่มงาน) จาก Microsoft Engineering

3. 4 Framework ที่ McKinsey เสนอให้องค์กรออกแบบใหม่ทั้งระบบ

4. ~4,000 พนักงานใหม่ที่ Bank of America ยังรับและเทรนด้วย AI Simulation

5. 4 เทคนิคฝึกทักษะที่ AI แทนไม่ได้ ใช้ได้ทั้งเด็กจบใหม่และคนทำงานแล้ว

16 เรื่องราวจากคลิปนี้

1. เปิดประเด็น: สัญญาณที่เกิดขึ้นจริงแล้ว ไม่ใช่แค่ในทฤษฎี

คุณเคนคุยกับ CEO หลายคนแล้วพบตรงกันว่า หลายบริษัทเริ่มรับเด็กจบใหม่น้อยลงจริง (แม้บางบริษัทจะรับเพิ่มขึ้นก็ตาม) เพราะทำงานกับ AI หรือ AI Agent ในฐานะคนมีประสบการณ์มักง่ายกว่า แม้แต่บริษัทของพี่เคนเองก็ยอมรับแบบนี้เช่นกัน

สิ่งที่อาจหายไปไม่ใช่แค่ตำแหน่งงานระดับ Junior แต่คือ บันไดที่ไว้ใช้สร้าง Senior หรือผู้เชี่ยวชาญในอนาคต — พี่เคน, The Secret Sauce Executive Espresso EP.616

ปรากฏการณ์นี้ถูกเรียกว่า AI Drag เพราะแม้ AI จะช่วยให้ทำงานเร็วขึ้น แต่คนที่เพิ่งเริ่มทำงานมักประเมินไม่ได้ว่าคำตอบที่ได้จาก AI นั้นดีหรือไม่ดี คำถามสำคัญของตอนนี้คือ ถ้าปล่อยให้เป็นแบบนี้ต่อไป องค์กรควรทำยังไง และเด็กจบใหม่ควรมีทักษะอะไร ก่อนที่เรื่องนี้จะกลายเป็นวิกฤตจริง

คนอายุ 35–45 ปีในวันนี้ทุกคนล้วนเคยเป็นจูเนียร์มาก่อน และจูเนียร์ในวันนี้ก็คือซีเนียร์ในวันหน้า — ถ้าองค์กรละเลยกระบวนการเรียนรู้ของคนรุ่นใหม่ อาจไม่ได้ขาดคนทำงานในวันนี้ แต่จะเริ่มขาดคนที่มีวิจารณญาณเพียงพอสำหรับการตัดสินใจในอนาคต

2. ข้อเท็จจริงจาก WEF: รายงาน World Economic Forum: ใครเสี่ยงที่สุด

รายงาน “Artificial Intelligence and the Future of Entry-Level Work” ของ World Economic Forum ระบุตรงไปตรงมาว่าแรงงานอายุต่ำกว่า 25 ปี เป็นหนึ่งในกลุ่มที่ได้รับผลกระทบจาก AI มากที่สุด

37% ของแรงงานอายุต่ำกว่า 25 ปี ทำงานอยู่ในอาชีพที่มีความเสี่ยงระดับปานกลาง–สูงที่จะถูก AI เปลี่ยนแปลง

3. เจาะลึกอุตสาหกรรม: งานแบบไหนโดน AI ก่อน

สาระสำคัญของกลุ่มอุตสาหกรรมที่ได้รับผลกระทบคือ งานระดับเริ่มต้นจำนวนมากมีลักษณะเป็นงานที่แบ่งเป็นขั้นเป็นตอน ทำซ้ำได้ และมีรูปแบบชัดเจนเหมือนเดิม จึงเป็นกลุ่มแรก ๆ ที่ Generative AI เข้ามาช่วย และในหลายกรณีก็ทำแทนได้เลย

ตัวอย่างจากอุตสาหกรรมสื่อ (มุมมองพี่เคนเอง)

• ถอดเทปสัมภาษณ์

• ทำงานวิจัยเบื้องต้น

• ทำร่างแรกของเนื้อหา

• งานแปลภาษา

• การเจนวิดีโอ

งานเหล่านี้ก่อนหน้านี้อาจใช้เวลาหลายชั่วโมง วันนี้ทำได้ในไม่กี่นาที และความถูกต้องก็สูงมากด้วย

4. 2 ปรากฏการณ์คู่ขนาน: AI Boost vs AI Drag

ผลกระทบของ AI ไม่ได้เกิดขึ้นกับคนทุกระดับเหมือนกัน — มาร์ก และ สก็อต ผู้บริหารด้านวิศวกรรมของ Microsoft อธิบายปรากฏการณ์นี้ด้วย 2 คำ

AI BOOST: คนที่มีประสบการณ์สูง

ใช้ AI เพิ่มประสิทธิภาพการทำงานได้เต็มที่ เพราะมีประสบการณ์ วิจารณญาณ และความเชี่ยวชาญอยู่แล้ว รู้ว่าควรเชื่อ AI ตอนไหน ตั้งคำถามเมื่อไหร่ และแก้ไขคำตอบอย่างไร บางคนทำงานคนเดียวได้เท่าทีมเดิม 5 คน

AI DRAG: คนที่เพิ่งเริ่มทำงาน

AI ช่วยให้ทำงานได้เร็วขึ้นก็จริง แต่หลายครั้งประเมินไม่ได้ว่าคำตอบที่ได้จาก AI มีคุณภาพดีหรือไม่ดี จึงกลายเป็นแรงฉุดที่ทำให้พัฒนาได้ช้าลง แทนที่จะเพิ่มศักยภาพ

5. มุมมองรอบด้าน: อย่าโทษ AI ฝ่ายเดียว

รายงานของ WEF ไม่ได้สรุปว่า AI คือสาเหตุทั้งหมด แต่ยังพูดถึงภาพรวมเศรษฐกิจที่ส่งผลต่อตลาดแรงงานร่วมด้วย

• เศรษฐกิจที่ไม่แน่นอน ทำให้การจ้างงานชะลอตัว

• การทำงานแบบ Hybrid และ Remote ทำให้การสอนงานและส่งต่อประสบการณ์ระหว่างคนรุ่นก่อนกับคนรุ่นใหม่ทำได้ยากขึ้น

• การจ้างงานอาจชะลอตัวอยู่แล้วตั้งแต่ก่อนที่ ChatGPT จะเข้ามาด้วยซ้ำ

ไม่ว่าปัจจัยจะมาจากอะไรก็ตาม บทบาทของ Entry Level กำลังเปลี่ยนไม่เหมือนเดิม และสิ่งที่ท้าทายกว่านั้นคือกระบวนการพัฒนาคนขององค์กรทั้งระบบ

6. ทำไมเรื่องนี้ใหญ่: บันไดที่กำลังจะหายไป

บทความของ McKinsey ชื่อ “Building Expertise in the Age of AI: Who Trains the Next Generation” ตั้งคำถามว่า ใครกันที่จะเป็นคนเทรนให้คนรุ่นถัดไปเติบโตขึ้นมาได้

หากองค์กรใช้ AI เพื่อเพิ่มประสิทธิภาพ โดยเอาเรื่องต้นทุนเป็นหลักและไม่ออกแบบวิธีพัฒนาคนรูปแบบใหม่ สิ่งที่จะหายไปไม่ใช่แค่ตำแหน่งงานระดับเริ่มต้น แต่คือบันไดที่ใช้สร้างซีเนียร์หรือผู้เชี่ยวชาญในอนาคต ผ่านไป 5 ปีข้างหน้าถ้าไม่มีคนใหม่เติมเข้ามา องค์กรก็ไม่สามารถมีพนักงานเก่ง ๆ ทำงานให้ได้ — จะใช้ AI ไปตลอดก็เป็นไปไม่ได้

จบยุค Messi ก็ต้องมีลามีน ยามัล — มันต้องมีคนรับช่วงต่อ ต้องมีมนุษย์ที่มีความเชี่ยวชาญ

— พี่เคน, ยกตัวอย่างเปรียบเทียบ

McKinsey มองว่า เราไม่สามารถมองคนที่ทำงานระดับเริ่มต้นหรือเด็กจบใหม่เป็นแค่แรงงานราคาถูกหรือคนที่เข้ามาแบ่งเบางานอย่างเดียวได้ แต่ต้องมองว่าเป็น Training Ground หรือสนามฝึกที่ใช้สร้างผู้เชี่ยวชาญในอนาคต เป็นจุดที่คนเริ่มเรียนรู้ว่าจะเชื่อข้อมูลเมื่อไหร่ ตั้งคำถามเมื่อไหร่ และจะตัดสินใจอย่างไร

7. ความเสี่ยงระยะยาว: Expertise Gap & Talent Pipeline

องค์กรที่ละเลยการสร้าง Training Ground และใช้ AI อย่างเดียว จะเผชิญปัญหา 2 เรื่องใหญ่ในระยะยาว

ปัญหาที่ 1: Expertise Gap

องค์กรจะมีคนที่ใช้ AI ได้ แต่มีคนที่สามารถตัดสินใจเหนือ AI ได้ลดลง — มีแต่คนใช้ AI เป็น แต่คนที่คิดแบบมนุษย์ คิดเหนือกว่า AI จะลดน้อยลงเรื่อย ๆ

ปัญหาที่ 2: Talent Pipeline หาย

สายพานสร้างผู้มีพรสวรรค์ที่จะกลายเป็นซูเปอร์สตาร์ขององค์กรในอนาคตจะหายไป เพราะซีเนียร์วันนี้ก็เคยเป็นจูเนียร์มาก่อนทั้งนั้น

ตอนอายุ 23, 24, 25 ผมก็โหลยโท่ยเหมือนกัน พูดแบบนี้ไม่ได้ เขียนหนังสือแบบนี้ไม่ได้ จัด Podcast แบบนี้ไม่ได้ ประเมินข้อมูลแบบนี้ไม่ได้ — ทุกคนเคยห่วยมาก่อน

— พี่เคน, ย้อนความหลังตัวเอง

ถ้าฐานของพีระมิดเริ่มเล็กลง คือ ไม่ใส่ใจให้คนจบใหม่เข้ามาในองค์กร หรือคนรุ่นใหม่ไม่มีโอกาสผ่านกระบวนการเรียนรู้แบบเดิม องค์กรอาจไม่ได้ขาดคนทำงานในวันนี้ แต่จะเริ่มขาดคนที่มีวิจารณญาณเพียงพอสำหรับการตัดสินใจในอนาคต ซึ่งเป็นทักษะที่องค์กรต้องการมากที่สุดในวันที่ AI เป็นแค่เครื่องมือ

8. ทางออกสำหรับองค์กร: Framework 4 ด้านจาก McKinsey

WEF และ McKinsey ไม่ได้บอกให้เลิกใช้ AI แล้วกลับไปรับเด็กจบใหม่แบบเดิม นั่น คือการทำแบบเดิม แต่เสนอว่าองค์กรต้องคิดใหม่ทำใหม่เรื่องเด็กจบใหม่ โดยสรุปคือให้ AI ทำหน้าที่เพิ่มศักยภาพในการเรียนรู้ แทนที่จะเข้ามาแทนที่กระบวนการเรียนรู้ทั้งหมด

1. Knowledge Management การจัดการและถ่ายทอดองค์ความรู้ขององค์กร

2. Role Redesign การออกแบบงานระดับเริ่มต้นใหม่

3. Learning in the Flow of Work ให้การเรียนรู้เกิดขึ้นระหว่างการทำงานจริง

4. Managerial Coaching ให้ผู้จัดการทำหน้าที่เป็นโค้ช ไม่ใช่แค่หัวหน้างาน

ถ้าองค์กรออกแบบทั้ง 4 ส่วนนี้อย่างตั้งใจจริง พนักงานจะสร้างวิจารณญาณ (Judgment) ได้เร็วขึ้น รับผิดชอบงานที่ซับซ้อนขึ้นได้เร็วกว่าเดิม และสุดท้ายองค์กรจะมีศักยภาพการแข่งขันในระยะยาว

9. Framework 1: Knowledge Management

สิ่งแรกที่องค์กรต้องทำไม่ใช่ซื้อ AI แต่คือการจัดระเบียบองค์ความรู้ของตัวเอง เพราะ AI จะเก่งได้ต้องมีความรู้ที่อยู่ในองค์กรของเราเพียงองค์กรเดียวป้อนให้

ต้องเก็บอะไรบ้าง — ไม่ใช่แค่เอกสาร

• วิธีคิดของคนที่เก่งที่สุดในบริษัท

• Framework และหลักการตัดสินใจ

• สมมติฐาน ประสบการณ์ และบทเรียนที่ผ่านมา

• ครอบคลุมได้ทุกแผนก ไม่ใช่แค่งานโปรดักชัน เช่น บัญชี, Admin, Compliance ก็มีวิธีคิดเฉพาะองค์กรเช่นกัน

ต้องเป็นโครงสร้างข้อมูลที่ AI อ่านเข้าใจ — ถ้าเก็บไว้ในกระดาษนี่จบเลย ต้องเก็บไว้แบบดิจิทัล

— ข้อสำคัญที่สุดของขั้นตอนนี้

ผลลัพธ์คือ เด็กจบใหม่จะไม่ได้แค่ทำงานเร็วขึ้น แต่จะเรียนรู้ “เบื้องหลังการตัดสินใจ” — บางองค์กรเรียกเอกสารชุดนี้ว่า Bible หรือ Handbook ซึ่งบริษัท Consult ระดับโลกส่วนใหญ่ทำเรื่องนี้กันแล้ว ทำให้เด็กจบใหม่คิดได้เหมือนคนที่ทำงานมา 10–20 ปี ไม่ใช่เพราะต้องคิดเอง แต่เพราะมีคู่มืออยู่

10. Framework 2: Role Redesign + Answer Key Method

เมื่อ AI รับช่วงงาน Routine มากขึ้น งานของเด็กจบใหม่ควรเปลี่ยนจากแค่ “คนทำงาน” เป็นคนตรวจ, คนกำกับและคนพัฒนา AI ในอนาคตเด็กจบใหม่เองก็จะมี AI Agent เป็นของตัวเองเช่นกัน

คำถามสำคัญคือ แล้วน้อง ๆ จะรู้ได้ยังไงว่าคิดถูกหรือผิด? McKinsey เสนอวิธีที่เรียกว่า “Answer Key” แทนที่จะให้ AI ทำงานแทนทั้งหมด

1. พนักงานลองทำเองก่อน — วิเคราะห์หรือแก้โจทย์ด้วยตัวเองตั้งต้น

2. AI ทำคำตอบของตัวเอง — ให้ AI วิเคราะห์โจทย์เดียวกันแยกกัน

3. เปรียบเทียบคำตอบทั้ง 2 — ดูว่าต่างกันตรงไหน

4. Manager อธิบายความต่าง — ว่าต่างกันตรงไหนและเพราะอะไร

AI จึงทำหน้าที่เหมือนเป็นคนเฉลย ไม่ใช่คนทำการบ้านแทน คล้ายกับการใช้ AI ช่วยคิด มากกว่าให้มันคิดแทน

ตัวอย่างประกอบ เช่น บริษัทอสังหาริมทรัพย์: ดูของจริงก่อน แล้วค่อยเทียบกับ AI

บริษัทมี AI ที่วิเคราะห์ตลาดอสังหาริมทรัพย์ได้ละเอียดมาก แต่แทนที่จะให้พนักงานใหม่ใช้ AI คิดแทนตั้งแต่แรก บริษัทให้เด็กจบใหม่ออกไปเจอพื้นที่จริง ดูการจราจร ศึกษาทำเล วิเคราะห์ตลาดด้วยตัวเองก่อน จากนั้นจึงเปิดผลวิเคราะห์ของ AI มาเปรียบเทียบ

ความแตกต่างที่เกิดขึ้นกลายเป็นเครื่องมือสอนที่ดีที่สุด เพราะเด็กจบใหม่จะเห็นทันทีว่าตัวเองมองข้ามอะไร คิดผิดตรงไหน วิเคราะห์ไม่ลึกตรงไหน — AI จึงช่วยเร่งการเรียนรู้ แทนที่จะเข้ามาแทนที่การเรียนรู้

11. Framework 3: Learning in the Flow of Work

อดีต เวลาบริษัทอยากพัฒนาคนก็ส่งไปเรียน อบรม หรือ Workshop แล้วกลับมาทำงาน แต่ในยุคนี้องค์กรควรทำให้การเรียนรู้เกิดขึ้นระหว่างการทำงานจริงไปเลย ทุกวัน

หากมี AI Agent ที่เข้าใจองค์ความรู้ของบริษัท คนที่เป็นโค้ชก็คือ AI นั่นเอง ให้ AI เป็นโค้ชให้คนรุ่นใหม่ได้ตลอดเวลา

ตัวอย่างจริง เช่น Bank of America, 2026, รับเกือบ 4,000 คน พร้อมเทรนด้วย AI Simulation ตั้งแต่วันแรก

Bank of America ยังคงรับพนักงานใหม่รวมเกือบ 4,000 คนในปี 2026 แต่ฝึกพนักงานตั้งแต่แรกด้วย AI ที่ออกแบบเฉพาะแต่ละสายงาน และใช้ Simulation หรือสถานการณ์จำลอง เพื่อให้พนักงานได้ฝึกตัดสินใจ แทนที่จะรอหลายปีกว่าจะเจอสถานการณ์จริง — AI จึงทำหน้าที่เป็นติวเตอร์ที่ช่วยสอนทำงานไปพร้อมกัน

12. Framework 4: Managerial Coaching

แต่ก่อนหัวหน้าเวลาทำงานกับลูกน้องหรือเด็กจบใหม่ มีหน้าที่ตรวจว่าทำถูกไหม วิเคราะห์ครบหรือเปล่า เขียนรายงานดีขึ้นหรือยัง วันนี้ AI ทำแบบนี้ได้แล้ว และทำหน้าที่เป็นบรรณาธิการได้ดีด้วย

สิ่งที่มนุษย์หรือหัวหน้าต้องสอนแทนจึงไม่ใช่วิธีทำงาน เพราะ AI ช่วยได้แล้ว แต่คือ วิธีคิด เมื่อ AI ทำงานพื้นฐานไปเยอะ จูเนียร์ก็ควรถูกดันไปทำงานมูลค่าสูงเร็วกว่าสมัยก่อน เช่น ประชุมกับผู้บริหาร หรืออธิบายข้อมูลให้ลูกค้า

ปัญหาคือพวกเขาอาจมีข้อมูลถูกต้องครบ แต่พูดผิดเวลา ผิดกาลเทศะ ผิดคน หรือสื่อสารโดยไม่เข้าใจบริบท

สิ่งที่ AI สอนไม่ได้ — สิ่งที่หัวหน้ายุคใหม่ต้องสอน

• การอ่านบรรยากาศในห้องประชุม

• การสร้างความน่าเชื่อถือให้ตัวเอง

• การพูดเรื่องยากให้เข้าใจง่าย

• การโน้มน้าวให้คนเชื่อในสิ่งที่กำลังจะพูด

• วิธีตีความ “Context” ของสถานการณ์

13. โปรไฟล์ที่องค์กรต้องการ: General Athlete — เป็ดแบบพรีเมียม

ผู้บริหารฝ่ายบุคคลของบริษัทการเงินใน Fortune 100 เรียกคนที่องค์กรยุคใหม่ต้องการว่า General Athlete คนที่ไม่ได้เชี่ยวชาญเฉพาะทางด้านใดด้านหนึ่งเพียงอย่างเดียว

1. เรียนรู้เก่ง

2. ปรับตัวเก่ง

3. สื่อสารดี

4. ทำงานกับคนได้

5. มีพื้นฐาน AI

6. พร้อมเรียนรู้เรื่องใหม่ตลอดเวลา

สำคัญที่สุดคือ ไม่จำเป็นต้องเชี่ยวชาญตั้งแต่แรก — พูดง่าย ๆ คือ คนที่มี Growth Mindset นั่นเอง — สรุปโปรไฟล์ที่องค์กรมองหา

14 - 15. 4 เทคนิคฝึกทักษะที่ AI แทนไม่ได้

คำถามคือ รู้แล้วว่าต้องคิดเป็น ทำงานกับคนอื่นเป็น วิเคราะห์ได้ — แล้วจะสร้างความสามารถเหล่านี้ได้อย่างไร นี่คือ 4 เทคนิคที่นำไปปรับใช้ได้จริง เริ่มจาก 2 ข้อแรก

เทคนิคที่ 1: ประสบการณ์ ≠ ความเชี่ยวชาญ

ความเชี่ยวชาญไม่ได้เกิดจากประสบการณ์ แต่เกิดจากการเรียนรู้จากประสบการณ์นั้น มีประสบการณ์แต่ไม่เรียนรู้ ก็ไม่ได้ความรู้ใหม่ ๆ งานวิจัย Workplace Learning and the Future of Work ชี้ชัดว่าจำนวนปีที่ทำงานไม่ได้เปลี่ยนเป็น Expertise โดยอัตโนมัติ — คนทำงานเดิม 10 ปี อาจไม่มีทักษะเพิ่มเลยถ้ากำลังทำงานปีแรกซ้ำอยู่ 10 ครั้ง

ในขณะที่อีกคนอายุงานน้อยกว่า แต่เผชิญโจทย์ที่ยากขึ้น ได้ Feedback ดี ๆ และ Self-reflection อย่างต่อเนื่อง คนกลุ่มนี้ต่างหากที่จะเติบโตได้เร็วกว่า

วิธีฝึก — ถามตัวเองทุกงาน

• ฉันได้ทำงานที่ได้เรียนรู้เพิ่มขึ้นไหม

• โจทย์ยากขึ้นบ้างไหม (ถ้าทำแบบเดิมแต่เร็วขึ้น ก็ยังโอเค)

• ขอ Feedback จากหัวหน้าและลูกค้าบ่อย ๆ

• Self-reflection หรือทบทวนตัวเองอย่างต่อเนื่อง

เทคนิคที่ 2: Critical Thinking

เริ่มจากการคิดวิเคราะห์แล้วแยกแยะ ถามตัวเองว่าอะไรคือข้อเท็จจริง อะไรคือการตีความ อะไรคือสมมติฐาน และข้อมูลอะไรที่เรายังไม่มี ฝึกได้กับทุกเรื่อง ตั้งแต่การอ่านข่าวไปจนถึงงานสำคัญ

Q1: ฉันกำลังแก้ปัญหาอะไร

Q2: เรารู้อะไรจากหลักฐานที่มีอยู่บ้าง

Q3: เรากำลังสมมติอะไร มีสมมติฐานอะไรต่อเรื่องนี้

Q4: มีคำอธิบายอื่นที่เป็นไปได้หรือไม่

จบงานแล้วไม่ต้องรอให้ใครมาถาม ย้อนกลับมาตรวจสอบตัวเองว่าสมมติฐานข้อใดถูก ข้อใดผิด และเพราะอะไรเราจึงมองข้ามมัน Critical Thinking จึงไม่ได้เกิดจากการอ่านหนังสือเพิ่มเท่านั้น แต่คือการฝึกตรวจสอบความคิดของตัวเองทุกวัน

เทคนิคที่ 3: Judgment — วิจารณญาณ

พัฒนา Judgment ด้วยการตรวจสอบเหตุผล ไม่ใช่แค่ผลลัพธ์ — ถ้า Critical Thinking คือการทำความเข้าใจสถานการณ์ Judgment คือการเลือกว่าจะทำอะไรต่อเมื่อข้อมูลไม่ครบ และทุกทางเลือกดูมีข้อดีข้อเสียคล้ายกันไปหมด นี่คือจุดที่มนุษย์มีบทบาทอย่างยิ่ง เพราะ Judgment ไม่สามารถสร้างจากการจำ Best Practice อย่างเดียวได้ — Best Practice บอกว่าโดยทั่วไปควรทำอะไร แต่ Judgment คือการเลือกสิ่งที่เหมาะกับบริบทตรงหน้า

Decision Log — ก่อนตัดสินใจเรื่องสำคัญ

1. ทางเลือกมีอะไรบ้าง

2. แต่ละทางเลือกได้และเสียอะไร

3. เราเลือกจากหลักเกณฑ์ใด — เราเชื่อในอะไร Values คืออะไร

4. คาดว่าจะเกิดอะไรถ้าทำสิ่งนั้น

5. อะไรอาจทำให้การตัดสินใจครั้งนี้ผิด

และเมื่อผลลัพธ์เกิดขึ้นแล้ว อย่าเพิ่งถามแค่ว่าสำเร็จหรือไม่ ให้ถามต่อ 3 ข้อนี้

1. เราคิดถูก หรือจังหวะดี โชคช่วย

2. ผลไม่ดีเพราะเหตุมันผิดหรือเปล่า

3. หรือเกิดสิ่งที่ไม่มีใครคาดคิด คาดเดาไม่ได้

เมื่อย้อนกลับมาดูทั้งเหตุและผล เราจะเริ่มเห็นรูปแบบการตัดสินใจของตัวเองว่าสัญญาณใดสำคัญ ความเสี่ยงแบบใดมักถูกมองข้าม และบริบทแบบใดไม่ควรใช้สูตรเดิม — นั่นคือจุดเริ่มต้นของ Judgment

เทคนิคที่ 4: Feedback แบบ Adaptive Expertise

เราอยู่ในโลกที่ไม่รู้ว่าอะไรคือคำตอบ จึงต้องการ Feedback เร็ว ๆ ตลอดเวลา แต่สิ่งสำคัญคือ เวลาขอ Feedback ให้ขอ Feedback ที่พัฒนาวิธีคิด ไม่ใช่แค่แก้งานอย่างเดียว

บทความของ Project Zero แห่ง Harvard Graduate School of Education เสนอแนวคิด “Adaptive Expertise” — ผู้เชี่ยวชาญไม่ได้เรียนรู้จากการแก้ปัญหาเฉพาะหน้าเท่านั้น แต่เรียนรู้จากการทำความเข้าใจว่าวิธีคิดแบบใดทำให้ปัญหานั้นเกิดขึ้น

? ฉันนิยามโจทย์ผิดหรือไม่

? ฉันใช้ข้อมูลไม่พอหรือเปล่า

? ฉันมองข้ามปัจจัยอะไร

? ถ้าเริ่มใหม่ คุณจะคิดต่างจากเดิมตรงไหน

Feedback จึงไม่ใช่แค่ว่างานนั้นดีหรือไม่ดี ได้คะแนนเท่าไหร่ แต่คือวิธีคิดของงานนั้นเป็นอย่างไร คนที่มี Adaptive Expertise จะดึงบทเรียนจากบริบทหนึ่งไปประยุกต์ใช้กับอีกบริบทหนึ่งได้เสมอ — และนั่นคือเหตุผลที่การปรับตัวไม่ใช่การวิ่งตามทุกเทรนด์ แต่คือการเข้าใจหลักการที่อยู่เบื้องหลัง

16. สารถึงเด็กจบใหม่ — จากคนที่เคยเป็นเด็กจบใหม่มาก่อน

คุณเคนอยากสื่อสารในฐานะเด็กจบใหม่มาก่อนเมื่อ 10 กว่าปีที่แล้ว 5 ปีแรกของการทำงานวันนี้อาจฟังดูเศร้า อ่านข่าวแล้วรู้สึกว่า “ฉันจะอยู่ตรงไหนในสมรภูมินี้ ใคร ๆ ก็ไม่จ้างฉัน” — แต่จริง ๆ แล้วไม่ใช่

พื้นฐานสุด คือการใช้ AI เป็น ซึ่งไม่ต้องห่วงเรื่องนี้ เพราะเด็กจบใหม่เก่งเรื่องนี้อยู่แล้ว แต่สิ่งที่ควรให้น้ำหนักและเวลามากกว่านั้นคือ Judgment, Critical Thinking, การทำงานร่วมกับคนอื่น และการสื่อสาร เพราะพี่เคนเองใช้เวลากว่า 10 ปีกว่าจะฝึกเรื่องเหล่านี้ได้

มีเครื่องมือที่ช่วยได้เยอะมากในวันนี้ — การใช้ AI ช่วยให้คิดได้เร็วขึ้น ตั้งคำถามได้ตรงจุดมากขึ้น และถ้ามีหัวหน้าพร้อมแนะนำหรือโค้ชในบางเรื่อง ก็ให้ใช้ประโยชน์จากตรงนั้น แม้ยังไม่ได้ทำงาน การฝึกคิดและฝึกตั้งคำถามแบบนี้ก็มีค่ามากในอนาคต แม้ไม่ต้องมีประสบการณ์ทันที

คุณอย่าลืมนะ วันนึงคุณก็เคยเป็นเด็กจบใหม่มาก่อน

— พี่เคน, ฝากถึงคนที่จบมานานแล้ว

คำถามที่พบบ่อย (FAQ)

Q1: AI Drag คืออะไร

A1: ปรากฏการณ์ที่ Microsoft ตั้งชื่อไว้ อธิบายว่าทำไมคนเพิ่งเริ่มทำงานใช้ AI แล้วพัฒนาช้าลง เพราะประเมินคุณภาพคำตอบของ AI เองไม่ได้ ตรงข้ามกับ AI Boost ในคนมีประสบการณ์

Q2: เด็กจบใหม่เสี่ยงตกงานเพราะ AI แค่ไหน

A2: รายงาน WEF ระบุว่าแรงงานอายุต่ำกว่า 25 ปี 37% อยู่ในอาชีพเสี่ยงปานกลาง-สูงที่ AI จะเข้ามา เปลี่ยนแปลง โดยเฉพาะสายการเงิน ไอที บริการวิชาชีพ และการศึกษา

Q3: องค์กรควรทำอะไร เพื่อไม่ให้เสียคนรุ่นใหม่

A3: McKinsey เสนอ 4 แนวทางคือจัดระบบความรู้ให้ AI อ่านได้ ออกแบบงานเริ่มต้นใหม่ ให้เรียนรู้ระหว่าง ทำงานจริง และให้หัวหน้าทำหน้าที่โค้ช

Q4: เด็กจบใหม่ควรฝึกทักษะอะไรเป็นพิเศษ

A4: 4 ทักษะที่ AI แทนไม่ได้ คือการเรียนรู้จากประสบการณ์จริง (ไม่ใช่แค่มีประสบการณ์), Critical Thinking, Judgment และการขอ-ให้ Feedback แบบพัฒนาวิธีคิด

Source:

Youtube: https://youtu.be/dgD5LSQMXUo