โดย Thanedpol Dechaduangsakul | เผยแพร่: 20 สิงหาคม 2569 | อ้างอิง: จากงาน BDI Seminar 2026

สรุปสาระสำคัญ

• ผู้เชี่ยวชาญจาก World Bank Group เผยว่า AI กำลังเข้าไปอยู่ในทุกขั้นตอนของระบบสวัสดิการภาครัฐทั่วโลก ตั้งแต่ตรวจจับทุจริตไปจนถึงตัดสินสิทธิ์

• เนเธอร์แลนด์เคยกล่าวหาครอบครัวกว่า 26,000 ครอบครัวว่าโกงสวัสดิการทั้งที่บริสุทธิ์ ความเสียหายรุนแรงถึงขั้นรัฐบาลทั้งคณะต้องลาออกในปี 2021

• UK ฝรั่งเศส และออสเตรีย ต่างเจอปัญหา AI สวัสดิการผิดพลาดในรูปแบบของตัวเอง

• ปัจจุบันมีกว่า 70 ประเทศที่มี National AI Strategy แล้ว ขณะที่ไทยอยู่กลางตาราง

• BDI วางรากฐานข้อมูลสวัสดิการไทยด้วย Hybrid Model พร้อมข้อเสนอ 5 ข้อจากเวทีนี้

สรุป Session: Harnessing AI for Social Protection: Real-World Applications and Policy Lessons จากงาน BDI Seminar 2026 โดย Mr. Oleksiy Sluchynsky, Senior Economist, World Bank Group

รัฐ: ทั้งผู้ใช้และผู้ให้บริการ AI

ภาครัฐกำลังยืนอยู่บนจุดเปลี่ยนสำคัญ เมื่อต้องสวมทั้งสองบทบาทไปพร้อมกัน — และแต่ละบทบาทมาพร้อมคำถามและความรับผิดชอบที่ต่างกันโดยสิ้นเชิง

ผู้บริโภค (Consumer)

รัฐเลือกใช้โมเดล แอปพลิเคชัน และผลิตภัณฑ์ AI สำเร็จรูปหลากหลาย เพื่อเพิ่มผลิตภาพ ช่วยตัดสินใจ และสนับสนุนข้าราชการในงานประจำวัน — คำถามหลักคือ "เครื่องมือนี้ใช้ได้ผลกับภารกิจของรัฐจริงหรือไม่"

ผู้ให้บริการ (Provider)

เมื่อรัฐเป็นผู้พัฒนา ปรับแต่ง และกำกับดูแลระบบ AI เอง — ประชาชน ไม่สามารถเลือกที่จะไม่ใช้ได้ ต่างจากสินค้าหรือบริการของภาคเอกชนที่เลือกเลิกใช้ได้เสมอ นี่คือความรับผิดชอบเฉพาะตัวของภาครัฐและหน่วยงานอย่าง BDI

AI กำลังกลายเป็นมากกว่าเครื่องมือ แต่เป็นส่วนหนึ่งของกลไกรัฐที่มีผลโดยตรงต่อสิทธิ สวัสดิการ และโอกาสของประชาชน

70+ ประเทศทั่วโลกมี National AI Strategy หรือนโยบาย AI ระดับชาติแล้ว

AI กำลังเคลื่อนจาก "การทดลอง" สู่ "โซลูชันหลัก" ในการให้บริการภาครัฐ ประเทศรายได้สูงมักทำได้ดีกว่าประเทศรายได้น้อย ส่วนไทยอยู่กลางตาราง — ยังต้องพัฒนาธรรมาภิบาลและกรอบกฎหมายให้เข้มแข็งขึ้น

วงจรบริการคุ้มครองทางสังคม

นี่คือสิ่งที่ภาครัฐทำในงานคุ้มครองทางสังคม และเป็นพื้นที่ที่ประชาชน "ยกเว้นตัวเอง" จาก AI ของรัฐไม่ได้ หากรัฐเลือกใช้ในขั้นตอนใดขั้นตอนหนึ่งของวงจรนี้

1. Access: ช่องทางเข้าถึงบริการ

2. Intake & Registration: รับคำร้อง / ลงทะเบียนผู้ขอรับสิทธิ์

3. Assessing Needs: ประเมินความต้องการของผู้รับบริการ

4. Eligibility Decision: พิจารณาและตัดสินสิทธิ์

5. Service Delivery: ให้บริการ / จ่ายสิทธิประโยชน์

6. Investigation & Benefit Management: ตรวจสอบและบริหารสิทธิประโยชน์ต่อเนื่อง

ไทม์ไลน์การใช้ AI ในภาครัฐ

ก่อนปี 2020

ใช้ AI แบบทดลองในวงจำกัด เช่น Chatbot, Smart Assistant และระบบป้องกันการทุจริตเบื้องต้น

หลัง COVID-19

ขยายตัวอย่างรวดเร็ว ครอบคลุมการบริหารจัดการงานคุ้มครองทางสังคมในหลายมิติมากขึ้น

แผนที่ AI ในงานคุ้มครองทางสังคม

กรอบคิดง่ายๆ ที่ช่วยจับภาพว่า AI เข้าไปมีบทบาทตรงไหนได้บ้างในงานคุ้มครองทางสังคม ประกอบด้วย 3 Pillars

สนับสนุนโครงการ Program

บริหารจัดการ ดำเนินงาน และควบคุมการปฏิบัติงาน

สนับสนุนประชาชน Clients

บริการเชิงรุกและเฉพาะบุคคลสำหรับผู้รับสิทธิ์

กำกับนโยบาย Policy

วิเคราะห์ พยากรณ์ และริเริ่มนโยบายใหม่

PILLAR 1: PROGRAM สนับสนุนโครงการ

การบริหารจัดการ การส่งมอบบริการ และการควบคุมเชิงปฏิบัติการ

• ติดตามการบริหารโครงการ และจัดสรรทรัพยากร

• พยากรณ์ความต้องการใช้บริการทั่วประเทศ

• เพิ่มประสิทธิภาพการดำเนินงาน — ต้นทุนบริหาร งบ HR

• ทำงานธุรการประจำแบบอัตโนมัติ

• ระบุความเสี่ยงเชิงปฏิบัติการ ตรวจจับความผิดปกติ การทุจริต ข้อผิดพลาด และการฉ้อฉล

• เพิ่มความแม่นยำในการจ่ายเงิน และทำให้กระบวนการทำงานคล่องตัวขึ้น

CASE STUDY: AUSTRALIA คืนเดียวก่อนวันจ่ายเงินเดือน

มิจฉาชีพแทรกซึมเข้าระบบสวัสดิการขนาดใหญ่แห่งหนึ่ง เปลี่ยนบัญชีธนาคารของผู้รับสิทธิ์ก่อนวันจ่ายเงิน 1 คืน รอให้รัฐโอนเงินเข้าบัญชีตน แล้วเปลี่ยนบัญชีกลับเป็นของเดิมทันที

การทุจริตซับซ้อนขึ้นเรื่อยๆ แบบนี้ — ต้องอาศัยระบบอัตโนมัติและ AI ช่วยควบคุม

PILLAR 2: CLIENTS: สนับสนุนประชาชน

บริการเชิงรุกและเฉพาะบุคคลสำหรับผู้รับสิทธิ์

• วิเคราะห์โปรไฟล์ ความต้องการ พฤติกรรม และรูปแบบการใช้บริการด้วย Big Data

• ให้ความช่วยเหลือเฉพาะบุคคลผ่าน Chatbot

• พยากรณ์การเปลี่ยนแปลงสถานการณ์ของผู้รับบริการล่วงหน้า

CASE STUDY: KOREA Blind Spot of Welfare

เกาหลีใต้ทำแผนที่ผู้รับสิทธิ์ทั้งหมด เพื่อค้นหาว่ากลุ่มใด "ยังเข้าไม่ถึง" สวัสดิการ เช่น ผู้สูงอายุ พ่อ/แม่เลี้ยงเดี่ยว หรือผู้ว่างงานที่ต้องการความช่วยเหลือ แล้วออกแบบสิทธิประโยชน์ให้ตรงกลุ่มเป้าหมายมากขึ้น

เหมือนภาพยนตร์ Minority Report — แต่ใช้เพื่องานคุ้มครองทางสังคม ไม่ใช่งานตำรวจ

PILLAR 3: POLICY กำกับนโยบาย

การวิเคราะห์ พยากรณ์ และริเริ่มนโยบายใหม่

• วิเคราะห์และพยากรณ์ผลลัพธ์เชิงนโยบาย

• จำลองสถานการณ์แบบ "what-if"

• ระบุแนวโน้มใหม่ที่กำลังเกิดขึ้น และตรวจจับช่องว่างความครอบคลุมของโครงการ

• สร้าง Data Warehouse / Data Lake และระบบเตือนภัยล่วงหน้า (Early Warning System)

CASE STUDY: BELGIUM จำลองนโยบายกลางวิกฤต COVID-19

รัฐบาลเบลเยียมขอให้หน่วยงาน Big Data ลักษณะเดียวกับ BDI จำลองผลลัพธ์ของการจัดสรรงบประมาณไปยังกลุ่มเป้าหมายต่างๆ ก่อนตัดสินใจใช้จริง

World Bank จัดทำรายงานสำรวจโซลูชัน Big Data ในการให้บริการภาครัฐทั่วโลกเมื่อปีที่ผ่านมา ชี้ให้เห็นว่าโซลูชันเหล่านี้กำลังแพร่หลายมากขึ้นเรื่อยๆ

WHEN AI GOES WRONG: 5 บทเรียนที่รัฐต้องระวัง

แทนที่จะพูดถึงความสำเร็จ วิทยากรเลือกพาไปดูจุดที่ AI พลาด เพื่อวางแนวเขตว่าอะไรไม่ควรทำ เนเธอร์แลนด์ คือ ห้องทดลอง ด้าน Big Data ของภาครัฐมากว่า 20 ปี หลังบูรณาการข้อมูลมาตั้งแต่ 30 ปีก่อน จึงเป็นที่มาของบทเรียนสำคัญหลายกรณี

NETHERLANDS: Childcare Benefit Scandal ต่อเนื่อง 15 ปี

ระบบตรวจจับทุจริตอัตโนมัติกล่าวหาครอบครัวกว่า 26,000 ครอบครัว ผิดพลาด (ส่วนใหญ่เป็นผู้อพยพ) แม้คดีถูกยกฟ้อง แต่ครอบครัวถูกสั่งคืนเงินหลักพันยูโรให้รัฐ ต้นเหตุ คืออคติของอัลกอริทึม การขาดความโปร่งใส และการตั้งสมมติฐานผิดไว้ก่อน

ผลลัพธ์: รัฐบาลลาออกทั้งคณะในปี 2021

NETHERLANDS: System Risk Indicator (SyRI) ยกเลิกปี 2020

หน่วยงานภาษีและสวัสดิการรวมข้อมูลจากหลายแหล่งไว้ในฐานข้อมูลเดียว เพื่อให้ คะแนนความเสี่ยงทุจริต รายบุคคล แล้วใช้เป็นเกณฑ์เปิดการสอบสวน

ผลลัพธ์: ศาลตัดสินว่าอัลกอริทึมไม่โปร่งใส ประชาชนโต้แย้งคะแนนตนเองไม่ได้ และละเมิดสิทธิความเป็นส่วนตัว ระบบถูกยกเลิก

UNITED KINGDOM: False Positives ระดับแสนราย 200,000+ เคส

คำร้องกว่า 200,000 รายการถูก AI ตั้งค่าสถานะให้สอบสวน และยังคงตั้งค่าสถานะเพิ่มขึ้นต่อเนื่อง

ผลลัพธ์: ทรัพยากรบริหารพุ่งสูงขึ้นมาก พร้อมความเครียดของครอบครัวผู้รับสิทธิ์ จากผล False Positive จำนวนมาก

FRANCE: เพ่งเล็งกลุ่มแม่เลี้ยงเดี่ยว อยู่ระหว่างปฏิรูป

อัลกอริทึมตรวจจับทุจริตสวัสดิการเลือกเพ่งเล็งกลุ่ม "แม่เลี้ยงเดี่ยว" เป็นพิเศษ จนกลุ่มสิทธิพลเมืองนำคดีขึ้นสู่ศาล

ผลลัพธ์: ต้นปีนี้ฝรั่งเศสเริ่มใช้แนวทาง "Ethics by Design" ตัดตัวแปรสัญชาติ เพศ และที่อยู่ ออกจากโมเดล เพื่อลดอคติ

AUSTRIA: อัลกอริทึมจัดกลุ่มหางาน 3 กลุ่มความน่าจะเป็น

ระบบแบ่งผู้รับความช่วยเหลือด้านการจ้างงานเป็น 3 กลุ่ม (โอกาสได้งานสูง / โอกาสได้งานต่ำ / กลุ่มกลาง) แล้วทุ่มทรัพยากรไปที่กลุ่มกลางเป็นหลัก

ผลลัพธ์: กลุ่ม "โอกาสต่ำ" เช่น ผู้หญิงอายุเกิน 30 ที่เสียเปรียบ ผู้มีภาระเลี้ยงดูบุตร ผู้อพยพ และผู้พิการ แทบไม่ได้รับบริการช่วยเหลือ — อัลกอริทึมตอกย้ำอคติเดิมที่มีอยู่แล้ว

HIGH-STAKES RISKS: งานคุ้มครองทางสังคม = พื้นที่เดิมพันสูง

ความเสี่ยงหลักที่ต้องเฝ้าระวังเมื่อนำ AI มาใช้ในพื้นที่ที่กระทบสิทธิและชีวิตของประชาชนโดยตรง

Wrongful Exclusion: การตัดสิทธิ์ผิดพลาด

Under-provision: ให้บริการต่ำกว่าที่ควรได้รับ

Data Poverty: ครัวเรือนยากจนมี "ร่องรอยข้อมูล" น้อยที่สุด ทำให้ AI มีข้อมูลไม่ครบและเกิดอคติ

Transparency Gaps: ช่องว่างความโปร่งใส

Automation Bias: ตัดสินใจตามระบบโดยไม่มีการทบทวนของมนุษย์อย่างมีความหมาย

False Positives: ผลบวกลวงจำนวนมาก

Cascading Harm: ผลกระทบลุกลามถึงครอบครัวและชุมชน

Rule-based automation (ยุคก่อน AI) ก็มีปัญหาของตัวเองอยู่แล้ว — แต่ AI เพิ่มความเสี่ยงอีกชั้นหนึ่งเสมอ จึงต้องมีมาตรการป้องกันและความท้าทายด้านความโปร่งใสที่แตกต่างออกไป สิ่งสำคัญคือต้องกำหนดให้ชัดว่าโซลูชันใดปล่อยให้ทำงานอัตโนมัติได้ และจุดใดที่การทบทวนโดยมนุษย์เป็นสิ่งจำเป็น

SAFEGUARDS: ทำให้ AI ภาครัฐ "ไว้ใจได้"

แนวปฏิบัติที่ดีที่กำลังเกิดขึ้น (Emerging Best Practices)

• Privacy & Data Protection by Design

• สิทธิยินยอมของปัจเจกบุคคล (Individual Consent)

• สิทธิแก้ไขข้อมูล (Right to Rectify)

• ความรับผิดชอบที่ตรวจสอบได้ (Accountability)

• การประเมินผลกระทบทุกขั้นตอน (Impact Assessments)

• ความปลอดภัยและ Cybersecurity

• ความโปร่งใสและอธิบายได้ (Explainability)

• ความเป็นธรรม ลดอคติ (Fairness)

• การควบคุมของมนุษย์เหนือเทคโนโลยี (Human Control)

ทำอย่างไรให้ตรวจสอบได้จริง (Accountability in Practice)

1. ประเมินผลกระทบก่อนใช้งานเสมอ

• ระบบพิจารณาสิทธิ์และตรวจจับทุจริตต้องผ่าน Impact Assessment ก่อนใช้งานจริงทุกครั้ง

2. มนุษย์ต้องกำกับดูแล

• ห้ามปฏิเสธสิทธิประโยชน์โดยอิงผลจากอัลกอริทึมเพียงอย่างเดียว

3. สิทธิร้องเรียนที่ชัดเจน

• ประชาชนที่ได้รับผลกระทบต้องมีสิทธิชัดเจนและช่องทางร้องเรียน/เยียวยา

4. แนวปฏิบัติเฉพาะภาคส่วน

• หน่วยงานต้องมีแนวปฏิบัติชัดเจน — การพิจารณาสิทธิ์ การให้คะแนนความเสี่ยงทุจริต การจัดการข้อร้องเรียน

5. กำหนดขอบเขตห้ามอัตโนมัติ

• เครื่องมือเชิงนโยบายต้องระบุชัดว่าการตัดสินใจใดในงานคุ้มครองทางสังคม "ห้าม" ใช้ระบบอัตโนมัติเด็ดขาด

THAILAND CONTEXT, ข้อมูลไทย: มีเยอะ แต่ยังกระจัดกระจาย

หน่วยงานรัฐไทย เช่น สปส. กระทรวง และกรมต่างๆ ที่ดูแลระบบสวัสดิการสังคม สะสมข้อมูลจำนวนมาก ทั้งประวัติการจ้างงาน ประวัติราชการ และการติดต่อกับภาครัฐ แต่ข้อมูลเหล่านี้มักถูกใช้ไม่เต็มศักยภาพและกระจัดกระจายเป็น Silo — แต่ละกระทรวงจึงดึงคุณค่าสูงสุดจากข้อมูลไม่ได้

หลายประเทศเริ่มตั้งหน่วยงานกลางเพื่อเชื่อมโยงข้อมูลข้ามแหล่ง ไทยเป็นตัวอย่างที่ดีโดยมี BDI เป็นหน่วยงานหลักด้าน Big Data — และใช้ "Hybrid Model" อย่างชาญฉลาด

BDI's Hybrid Model

การปฏิบัติงาน

ไม่รวมศูนย์ข้อมูลทั้งหมด — ปล่อยให้ข้อมูลไหลเวียนอย่างอิสระ โดยเจ้าของข้อมูลยังคงถือครองกรรมสิทธิ์ ดีต่อความปลอดภัยและความเป็นส่วนตัว

การวิเคราะห์ข้อมูล

การรวมข้อมูลไว้ใน Data Lakehouse มีประโยชน์อย่างมาก ช่วยให้วิเคราะห์เชิงลึกข้ามหน่วยงานได้

11RECOMMENDATIONS

5 ข้อเสนอแนะสำหรับไทย

ข้อเสนอแนะเชิงนโยบายจากวิทยากร เพื่อวางรากฐาน AI และ Big Data ในภาคคุ้มครองทางสังคมของไทย

1. เสริมธรรมาภิบาลข้อมูล

• แม้ BDI จะครอบคลุมหลายภาคส่วนแล้ว แต่ภาคคุ้มครองทางสังคมยังต้องมีกรอบธรรมาภิบาลข้อมูลและคณะกรรมการเฉพาะภาคส่วนของตนเอง

2. เริ่มจาก Descriptive Analytics ก่อน

• ตามบันไดเลื่อนการวิเคราะห์ข้อมูล (Analytics Escalator) ของ Gartner ให้เริ่มจากการวิเคราะห์เชิงพรรณนาที่ดีก่อนขยับสู่ Prescriptive/Predictive AI ช่วยให้หน่วยงานคุ้นเคยกับการตัดสินใจโดยใช้ข้อมูล และเผยปัญหาคุณภาพข้อมูลไปพร้อมกัน

3. ประเมินกระบวนการที่ยังไม่ Automation

• สำรวจกระบวนการคุ้มครองทางสังคมที่ยังไม่ถูกทำให้เป็นอัตโนมัติ เพื่อวางแผนงานอย่างเป็นระบบสำหรับการนำ AI มาใช้ต่อไป

4. ดึงภาคการศึกษาเข้าร่วมตั้งแต่ต้น

• สถาบันการศึกษาเป็นแรงขับเคลื่อนสำคัญของการพัฒนา AI นำความรู้เฉพาะด้านคุ้มครองทางสังคมมาหนุนงานวิจัยที่ตรงบริบท

5. ขยาย Ecosystem ผู้ใช้งาน

• ครอบคลุมหน่วยงานรัฐทุกระดับ ฝ่ายการเมือง สถาบันการศึกษา สื่อมวลชน ภาคเอกชน และประชาชน พร้อมพัฒนาโปรโตคอลการเข้าถึงข้อมูลที่ปลอดภัยและไม่ระบุตัวตน ให้เป็นส่วนหนึ่งของ Standard Service Request สำหรับผู้มีส่วนได้ส่วนเสียทุกฝ่าย

คำถามที่พบบ่อย (FAQ)

Q: AI ตัดสิทธิ์สวัสดิการของเราได้เลยไหม

A: ไม่ได้ ผู้เชี่ยวชาญย้ำว่าห้ามให้ AI ปฏิเสธสิทธิ์เพียงลำพัง ต้องมีมนุษย์ตรวจทานเสมอ

Q: ถ้า AI ตัดสินใจผิดพลาด เรามีสิทธิ์อะไรบ้าง

A: ต้องมีช่องทางร้องเรียนและขอทบทวนที่ชัดเจน เป็นหนึ่งในหลักการที่เวทีนี้เน้นย้ำ

Q: ทำไมประชาชนเลือกไม่ใช้ AI ของรัฐไม่ได้

A: เพราะเป็นบริการภาครัฐที่ไม่มีทางเลือกอื่นทดแทน ต่างจากสินค้าเอกชนที่เลิกใช้ได้เสมอ

Q: ไทยมีหน่วยงานที่ดูแลเรื่องนี้ไหม

A: มี BDI เป็นหน่วยงานหลักที่วางรากฐานข้อมูลผ่าน Hybrid Model

Q: องค์กรที่อยากเริ่มใช้ข้อมูลแบบมีความรับผิดชอบต้องเริ่มจากตรงไหน

A: เริ่มจาก Descriptive Analytics ให้แข็งแรงก่อน แล้วค่อยขยับสู่ Predictive ตามคำแนะนำจากเวทีนี้

ข้อสรุป:

AI และการวิเคราะห์ข้อมูลไม่ได้เป็นเพียงแค่เทคโนโลยีเท่านั้น แต่ยังสามารถเข้ามามีบทบาทสำคัญในการช่วยให้เราเข้าใจความต้องการของสังคมและประชาชนได้มากยิ่งขึ้น และนำข้อมูลเหล่านี้ไปใช้ออกแบบระบบคุ้มครองทางสังคมให้ตอบโจทย์และเข้าถึงประชาชนได้อย่างมีประสิทธิภาพมากยิ่งขึ้น

Source:

จากงาน BDI Seminar 2026