ການແບ່ງປັນບົດບາດລະຫວ່າງ AI ແລະ ມະນຸດຄືຫຍັງ? 3 ປັດໄຈຕັດສິນໃນການເລືອກ "ມອບໝາຍ, ຮ່ວມມື, ແລະ ສິ່ງທີ່ມະນຸດຕ້ອງເຮັດ"

ການແບ່ງໜ້າທີ່ລະຫວ່າງ AI ແລະ ມະນຸດ ຄືການຈັດແບ່ງວຽກງານແຕ່ລະຢ່າງທີ່ປະກອບເປັນທຸລະກິດອອກເປັນ 3 ປະເພດ ຄື: "ມອບໝາຍໃຫ້ AI", "AI ແລະ ມະນຸດຮ່ວມມືກັນ", ແລະ "ມະນຸດເປັນຜູ້ຮັບຜິດຊອບ", ພ້ອມທັງອອກແບບການເຮັດວຽກທັງໝົດຄືນໃໝ່ໂດຍພິຈາລະນາຈາກມຸມມອງດ້ານຄວາມແມ່ນຍຳ, ຄວາມສ່ຽງ ແລະ ຄວາມຮັບຜິດຊອບ.

ບົດຄວາມນີ້ມີຈຸດປະສົງເພື່ອອະທິບາຍເຖິງ 3 ແກນຫຼັກໃນການຕັດສິນໃຈແບ່ງໜ້າທີ່, ກອບວຽກ 4 ມິຕິ (4-quadrant framework) ໃນການຈັດແບ່ງວຽກງານ, ແລະ 5 ຂັ້ນຕອນໃນການດຳເນີນການນຳໃຊ້ AI ໃຫ້ກັບຜູ້ຮັບຜິດຊອບດ້ານ DX, ພະແນກລະບົບຂໍ້ມູນຂ່າວສານ ແລະ ຝ່າຍວາງແຜນຍຸດທະສາດຂອງບໍລິສັດທີ່ກຳລັງພິຈາລະນາ ຫຼື ຊຸກຍູ້ການນຳໃຊ້ AI. ເປົ້າໝາຍຂອງບົດຄວາມນີ້ແມ່ນ ເມື່ອທ່ານອ່ານຈົບແລ້ວ ທ່ານຈະສາມາດກຳນົດຂອບເຂດວຽກງານຂອງບໍລິສັດທ່ານໄດ້ຢ່າງມີຫຼັກການວ່າ "ວຽກນີ້ຈະມອບໃຫ້ AI, ວຽກນີ້ຈະຮ່ວມມືກັນ, ແລະ ວຽກນີ້ຈະໃຫ້ມະນຸດເຮັດຕໍ່ໄປ".

ການອອກແບບການແບ່ງງານ ບໍ່ແມ່ນ "ການລາຍການສິ່ງທີ່ AI ສາມາດເຮັດໄດ້" ແຕ່ແມ່ນການຕັດສິນໃຈເລືອກຮູບແບບການມອບໝາຍງານໃນແຕ່ລະໜ້າທີ່. ກ່ອນອື່ນໝົດ, ຂໍຈັດລະບຽບພາບລວມອອກເປັນ 3 ຮູບແບບ.

ການແບ່ງວຽກລະຫວ່າງ AI ແລະ ມະນຸດ ບໍ່ແມ່ນທາງເລືອກທີ່ມີພຽງ "ຈະອັດຕະໂນມັດ ຫຼື ບໍ່" ເທົ່ານັ້ນ. ໃນການປະຕິບັດງານຕົວຈິງ, ການຄິດໂດຍແບ່ງອອກເປັນ 3 ປະເພດຕໍ່ໄປນີ້ຈະຊ່ວຍໃຫ້ເຂົ້າໃຈໄດ້ງ່າຍຂຶ້ນ:

ຈຸດສຳຄັນຄື ປະເພດເຫຼົ່ານີ້ບໍ່ໄດ້ຖືກກຳນົດໃນລະດັບ "ວຽກງານ" ແຕ່ກຳນົດໃນລະດັບ "ໜ້າວຽກ (Task)". ຕົວຢ່າງເຊັ່ນ: ເຖິງແມ່ນວ່າຈະເປັນວຽກງານການເກັບເງິນພຽງຢ່າງດຽວ, ແຕ່ໂດຍທົ່ວໄປແລ້ວຈະມີທັງ 3 ປະເພດປະປົນກັນຢູ່ໃນວຽກດຽວ ເຊັ່ນ: ການດຶງຂໍ້ມູນມອບໃຫ້ AI ເປັນຜູ້ຈັດການ, ການຕັດສິນຮູບແບບຂໍ້ຍົກເວັ້ນແມ່ນເຮັດວຽກຮ່ວມກັນ, ແລະ ການເຈລະຈາກັບລູກຄ້າທີ່ຊຳລະເງິນຊ້າແມ່ນມະນຸດເປັນຜູ້ຮັບຜິດຊອບ. ຮູບແບບການປະຕິບັດງານຕົວຈິງຂອງການຮ່ວມມື (Collaboration) ສາມາດອ່ານລາຍລະອຽດເພີ່ມເຕີມໄດ້ທີ່ ບົດຄວາມອະທິບາຍກ່ຽວກັບ Human-in-the-loop (HITL).

ເມື່ອປະສິດທິພາບຂອງ AI ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ, ຄຳຖາມທີ່ວ່າ "ສາມາດເຮັດໄດ້ຫຼືບໍ່" ຈະບໍ່ສາມາດໃຊ້ເປັນມາດຖານໃນການຕັດສິນໃຈແບ່ງງານໄດ້ອີກຕໍ່ໄປ ເພາະວຽກງານສ່ວນໃຫຍ່ໃນທາງເຕັກນິກແລ້ວແມ່ນ "ສາມາດເຮັດໄດ້". ເຖິງຢ່າງໃດກໍຕາມ, ຍັງມີກໍລະນີທີ່ບໍ່ຄວນມອບໝາຍໃຫ້ AI ເຮັດ, ເຊິ່ງມີເຫດຜົນຫຼັກໆ 3 ປະການ:

ປະການທຳອິດ, ສິ່ງທີ່ສາມາດເຮັດໄດ້ ກັບ ສິ່ງທີ່ຍອມຮັບໄດ້ເມື່ອເກີດຂໍ້ຜິດພາດນັ້ນແມ່ນຄົນລະບັນຫາ. ການອອກແບບ Generative AI ຈຳເປັນຕ້ອງຕັ້ງສົມມຸດຕິຖານວ່າ AI ມີໂອກາດທີ່ຈະຜິດພາດໄດ້ສະເໝີ, ສະນັ້ນວຽກງານທີ່ມີຜົນກະທົບຈາກຄວາມຜິດພາດສູງ ຈຶ່ງຍາກທີ່ຈະນຳມາເຮັດເປັນອັດຕະໂນມັດໂດຍອີງໃສ່ພຽງແຕ່ຄວາມແມ່ນຍຳເທົ່ານັ້ນ. ປະການທີສອງ, ແມ່ນເລື່ອງຄວາມຮັບຜິດຊອບ. ເມື່ອເກີດຄວາມເສຍຫາຍຈາກຜົນລາຍງານຂອງ AI, ການອ້າງວ່າ "AI ເປັນຜູ້ເຮັດ" ຈະບໍ່ສາມາດໃຊ້ເປັນຄຳອະທິບາຍຕໍ່ລູກຄ້າ ຫຼື ໜ່ວຍງານກຳກັບດູແລໄດ້. ປະການທີສາມ, ແມ່ນຄວາມຮູ້ສຶກຂອງຜູ້ຮັບ. IMF ໄດ້ເອີ້ນວຽກງານທີ່ເຖິງແມ່ນວ່າ AI ຈະສາມາດທົດແທນໄດ້ ແຕ່ສັງຄົມຍັງຕ້ອງການໃຫ້ມະນຸດເປັນຜູ້ເຮັດຕໍ່ໄປນັ້ນວ່າ "Nostalgic Jobs". ເປັນຂົງເຂດທີ່ການໃຫ້ມະນຸດເປັນຜູ້ຮັບຜິດຊອບນັ້ນມີຄຸນຄ່າໃນຕົວມັນເອງ ເຊັ່ນ: ການດູແລຜູ້ສູງອາຍຸ, ການສຶກສາ, ແລະ ພິທີການຕ່າງໆ. ແນວຄວາມຄິດນີ້ໄດ້ຖືກແນະນຳຢ່າງລະອຽດໃນ ບົດຄວາມອະທິບາຍກ່ຽວກັບ Nostalgic Jobs.

ໃນສັງຄົມ, ຫົວຂໍ້ນີ້ມັກຈະຖືກເວົ້າເຖິງໃນມຸມມອງຂອງ "ວຽກທີ່ AI ບໍ່ສາມາດທົດແທນໄດ້" ຫຼື "ວຽກທີ່ມະນຸດເທົ່ານັ້ນທີ່ເຮັດໄດ້". ແຕ່ສິ່ງທີ່ຄວນຕັ້ງຄຳຖາມໃນການອອກແບບວຽກງານຂອງບໍລິສັດ ບໍ່ແມ່ນ "ສາມາດທົດແທນໄດ້ຫຼືບໍ່" ແຕ່ແມ່ນ "ຕ້ອງການມອບໝາຍໃຫ້ເຮັດຫຼືບໍ່" ແລະ "ຄວນມອບໝາຍໃຫ້ເຮັດຫຼືບໍ່", ເຊິ່ງຄຳຕອບຈະແຕກຕ່າງກັນໄປໃນແຕ່ລະວຽກງານ. ກ່າວຄື, ການແບ່ງບົດບາດລະຫວ່າງ AI ແລະ ມະນຸດ ບໍ່ແມ່ນການປະເມີນທາງເຕັກນິກ, ແຕ່ເປັນການຕັດສິນໃຈທາງການບໍລິຫານທີ່ກ່ຽວຂ້ອງກັບຄວາມສ່ຽງ, ຄຸນຄ່າ, ແລະ ຄວາມຮັບຜິດຊອບ.

ໃນປັດຈຸບັນທີ່ "ຂອບເຂດທີ່ສາມາດມອບໝາຍໃຫ້ໄດ້" ຂະຫຍາຍຕົວຢ່າງວ່ອງໄວດ້ວຍການນຳ AI Agent ມາໃຊ້ງານຈິງ, ຄວາມຊຳນານໃນການກຳນົດຂອບເຂດຈຶ່ງເປັນປັດໄຈຕັດສິນຜົນສຳເລັດຂອງການນຳໃຊ້. ຂໍໃຫ້ພິຈາລະນາພື້ນຖານດັ່ງກ່າວຈາກ 2 ທັດສະນະ.

ການນຳໃຊ້ Generative AI ໃນເມື່ອກ່ອນແມ່ນເນັ້ນໃສ່ຮູບແບບ "ມະນຸດເປັນຜູ້ສັ່ງການ ແລະ AI ຕອບສະໜອງ 1 ຄັ້ງ". ໃນປັດຈຸບັນ, AI Agent ທີ່ສາມາດວາງແຜນ, ຄວບຄຸມເຄື່ອງມື ແລະ ດຳເນີນການຫຼາຍຂະບວນການຢ່າງຕໍ່ເນື່ອງ ໄດ້ເລີ່ມເຂົ້າມາສູ່ການເຮັດວຽກຕົວຈິງແລ້ວ. ກ່າວຄື, ທາງເລືອກໃນການມອບໝາຍ "ພາກສ່ວນໜຶ່ງຂອງຂະບວນການເຮັດວຽກ" ທັງໝົດ ບໍ່ແມ່ນພຽງແຕ່ "ຮ່າງບົດຄວາມ" ໄດ້ກາຍເປັນຄວາມຈິງແລ້ວ.

ຂອບເຂດຜົນກະທົບກໍບໍ່ແມ່ນນ້ອຍໆ. ຈາກການວິເຄາະຂອງ IMF ລະບຸວ່າ ປະມານ 40% ຂອງການຈ້າງງານທົ່ວໂລກຈະໄດ້ຮັບຜົນກະທົບຈາກ AI (IMF "Gen-AI: Artificial Intelligence and the Future of Work" 2024). ຍິ່ງຂອບເຂດທີ່ສາມາດມອບໝາຍໃຫ້ AI ໄດ້ກວ້າງຂຶ້ນເທົ່າໃດ, ການກຳນົດເສັ້ນແບ່ງວ່າ "ຄວນມອບໝາຍໃຫ້ AI ເທົ່າໃດ ແລະ ມະນຸດຄວນເຂົ້າມາຮັບຜິດຊອບຕໍ່ໃນຈຸດໃດ" ກໍຈະກາຍເປັນບັນຫາການອອກແບບຄຸນນະພາບວຽກງານ ແລະ ການບໍລິຫານຄວາມສ່ຽງໂດຍກົງ. ຖ້າປ່ອຍໃຫ້ໜ້າວຽກດຳເນີນໄປໂດຍບໍ່ມີການກຳນົດນະໂຍບາຍທີ່ຊັດເຈນ, ຈະເກີດປະກົດການປີ້ນກັບກັນທີ່ AI ຖືກນຳໃຊ້ດ້ວຍມາດຕະຖານທີ່ແຕກຕ່າງກັນໃນແຕ່ລະພະແນກ ແລະ ວຽກທີ່ມີຄວາມສ່ຽງສູງກໍອາດຈະຖືກອັດຕະໂນມັດໂດຍບໍ່ຮູ້ຕົວ.

ນອກຈາກນີ້, ການແບ່ງງານບໍ່ພຽງແຕ່ເປັນປະເດັນດ້ານປະສິດທິພາບການເຮັດວຽກເທົ່ານັ້ນ ແຕ່ຍັງເປັນປະເດັນດ້ານການອອກແບບຕຳແໜ່ງງານອີກດ້ວຍ. ເມື່ອໜ້າວຽກທີ່ມອບໝາຍໃຫ້ AI ເພີ່ມຂຶ້ນ, ພາລະບົດບາດຂອງມະນຸດຈະປ່ຽນຈຸດສຸມໄປສູ່ການກວດສອບ, ການຮັບມືກັບກໍລະນີຍົກເວັ້ນ ແລະ ການສ້າງຄວາມສຳພັນກັບລູກຄ້າ. ຕາຕະລາງການແບ່ງງານບໍ່ພຽງແຕ່ເປັນເຄື່ອງມືໃນການປັບປຸງວຽກງານເທົ່ານັ້ນ ແຕ່ຍັງເປັນພື້ນຖານໃນການວາງແຜນການປັບປ່ຽນທັກສະ (Reskilling) ຂອງພະນັກງານອີກດ້ວຍ.

ເມື່ອການນຳໃຊ້ AI ບໍ່ປະສົບຜົນສຳເລັດ, ສາເຫດມັກຈະມາຈາກການອອກແບບການແບ່ງງານຫຼາຍກວ່າຄວາມແມ່ນຍຳຂອງຕົວແບບ. ຄວາມລົ້ມເຫຼວມັກຈະປາກົດອອກມາໃນສອງຂົ້ວ.

ຂົ້ວໜຶ່ງຄື "ການມອບໝາຍຫຼາຍເກີນໄປ". ເຖິງແມ່ນວ່າຈະມີການກຳນົດໃຫ້ມີການກວດສອບໂດຍມະນຸດ, ແຕ່ເນື່ອງຈາກອະຄະຕິດ້ານການອັດຕະໂນມັດ (Automation Bias) ທີ່ຍອມຮັບຜົນລັດຂອງ AI ໂດຍບໍ່ມີການວິພາກວິຈານ, ເຮັດໃຫ້ການກວດສອບກາຍເປັນພຽງຮູບແບບ ແລະ ປ່ອຍໃຫ້ຜ່ານໄປໂດຍບໍ່ມີການກວດສອບຢ່າງແທ້ຈິງ. ປະກົດການນີ້ ແລະ ມາດຕະການຮັບມືໄດ້ຖືກອະທິບາຍຢ່າງລະອຽດໃນ ບົດຄວາມອະທິບາຍກ່ຽວກັບອະຄະຕິດ້ານການອັດຕະໂນມັດ. ອີກຂົ້ວໜຶ່ງຄື "ການມອບໝາຍໜ້ອຍເກີນໄປ", ເຊິ່ງເປັນຮູບແບບທີ່ການກຳນົດໃຫ້ມີການອະນຸມັດຈາກມະນຸດຫຼາຍຂັ້ນຕອນໃນທຸກຜົນລັດ ສົ່ງຜົນໃຫ້ການປະມວນຜົນຊ້າກວ່າກ່ອນການນຳໃຊ້ລະບົບອັດຕະໂນມັດ ແລະ ເຮັດໃຫ້ໜ້າວຽກຕົວຈິງບໍ່ຍອມໃຊ້ AI.

ທັງສອງກໍລະນີບໍ່ແມ່ນຄວາມລົ້ມເຫຼວທາງດ້ານເຕັກໂນໂລຊີ, ແຕ່ເປັນຄວາມລົ້ມເຫຼວໃນການຕັດສິນໃຈອອກແບບວ່າ "ວຽກນີ້ຄວນມີມະນຸດເຂົ້າມາມີສ່ວນຮ່ວມໃນລະດັບໃດຈຶ່ງຈະເໝາະສົມ". ດ້ວຍເຫດນີ້, ຈຶ່ງຈຳເປັນຕ້ອງມີການແບ່ງປັນມາດຕະຖານໃນການຕັດສິນໃຈໃຫ້ແກ່ອົງກອນໄວ້ລ່ວງໜ້າ.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ໃນການຕັດສິນໃຈມີ 3 ຢ່າງຄື: "ຕົ້ນທຶນຂອງຄວາມຜິດພາດ", "ຄຸນຄ່າຂອງການເປັນມະນຸດ" ແລະ "ຄວາມຮັບຜິດຊອບໃນການອະທິບາຍ". ຖ້າຕັ້ງຄຳຖາມຕາມລຳດັບນີ້, ວຽກງານສ່ວນໃຫຍ່ກໍຈະຖືກຈັດແບ່ງອອກໄດ້ຢ່າງເປັນທຳມະຊາດ.

ຄຳຖາມທຳອິດທີ່ຕ້ອງຖາມຄື "ຈະເກີດຫຍັງຂຶ້ນຫາກ AI ເຮັດວຽກງານນີ້ຜິດພາດ?" ຈຸດທີ່ຕ້ອງພິຈາລະນາແມ່ນ 2 ຢ່າງ ຄື: ລະດັບຜົນກະທົບ ແລະ ຄວາມສາມາດໃນການແກ້ໄຂໃຫ້ກັບຄືນສູ່ສະພາບເດີມ (Reversibility).

ການຮ່າງອີເມວ ຫຼື ການສະຫຼຸບລາຍງານການປະຊຸມນັ້ນ ຫາກເກີດຄວາມຜິດພາດ ມະນຸດກໍສາມາດແກ້ໄຂໄດ້ ແລະ ຜົນກະທົບກໍຈະຈຳກັດຢູ່ພາຍໃນບໍລິສັດເທົ່ານັ້ນ. ວຽກງານທີ່ມີຕົ້ນທຶນຈາກຄວາມຜິດພາດຕໍ່າ ແລະ ສາມາດແກ້ໄຂໄດ້ ແມ່ນເປົ້າໝາຍອັນດັບທຳອິດສຳລັບການເຮັດອັດຕະໂນມັດ. ໃນທາງກົງກັນຂ້າມ, ວຽກງານທີ່ບໍ່ສາມາດແກ້ໄຂໄດ້ງ່າຍເມື່ອປະຕິບັດໄປແລ້ວ ເຊັ່ນ: ການໂອນເງິນ, ການຕອບກັບລູກຄ້າຢ່າງເປັນທາງການ, ຫຼື ການປັບປ່ຽນລະບົບທີ່ໃຊ້ງານຈິງ (Production system) ນັ້ນ ບໍ່ວ່າຈະມີຄວາມແມ່ນຍຳສູງພຽງໃດ ກໍຄວນມີມະນຸດ ຫຼື ອຸປະກອນປ້ອງກັນຄວາມປອດໄພມາຄວບຄຸມ "ກ່ອນການປະຕິບັດງານ". ລະດັບຜົນກະທົບສາມາດປະເມີນໄດ້ງ່າຍໂດຍແບ່ງອອກເປັນ 3 ລະດັບ ຄື: "ຈົບຢູ່ພາຍໃນບໍລິສັດ", "ສົ່ງເຖິງລູກຄ້າ", ແລະ "ກ່ຽວຂ້ອງກັບສັງຄົມ ຫຼື ຂໍ້ບັງຄັບ". ຍິ່ງຢູ່ໃນລະດັບທີ່ກວ້າງອອກໄປເທົ່າໃດ, ຄວາມສາມາດໃນການຍອມຮັບຄວາມຜິດພາດກໍຈະຍິ່ງຫຼຸດລົງເທົ່ານັ້ນ.

ໃນກໍລະນີທີ່ມອບໝາຍໃຫ້ AI Agent ເປັນຜູ້ປະຕິບັດງານ, ຄວນຈຳກັດສິດທິໃຫ້ໜ້ອຍທີ່ສຸດເທົ່າທີ່ຈຳເປັນ ແລະ ຕິດຕັ້ງກົນໄກຢຸດການເຮັດວຽກອັດຕະໂນມັດເມື່ອເກີດຄວາມຜິດປົກກະຕິ ເພື່ອຫຼຸດ "ຕົ້ນທຶນຈາກຄວາມຜິດພາດ" ນັ້ນລົງ. ຫຼັກການສຳຄັນຄື ການຂະຫຍາຍຂອບເຂດວຽກທີ່ມອບໝາຍ ແລະ ການຈັດຕັ້ງລະບົບຄວາມປອດໄພຕ້ອງດຳເນີນໄປຄຽງຄູ່ກັນ (ອ້າງອີງ: ການອອກແບບ Circuit Breaker ສຳລັບ AI Agent).

ຄຳຖາມທີສອງແມ່ນ "ວຽກງານນີ້ມີຄຸນຄ່າໃນຕົວມັນເອງເມື່ອມະນຸດເປັນຜູ້ເຮັດຫຼືບໍ່?"

ເຖິງແມ່ນວ່າຈະສາມາດທົດແທນໄດ້ດ້ວຍເຕັກໂນໂລຊີ ແຕ່ກໍມີວຽກງານທີ່ລູກຄ້າຫຼືສັງຄົມຍັງຕ້ອງການໃຫ້ມະນຸດມີສ່ວນຮ່ວມ. ດັ່ງທີ່ໄດ້ກ່າວເຖິງໃນຕອນຕົ້ນກ່ຽວກັບ Nostalgic Jobs ຂອງ IMF ເຊິ່ງເປັນຕົວຢ່າງທີ່ຊັດເຈນ ເຊັ່ນ: ການດູແລຜູ້ສູງອາຍຸ, ການສຶກສາ, ແລະພິທີທາງສາສະໜາ. ຖ້ານຳມາປັບໃຊ້ໃນສະພາບແວດລ້ອມ B2B, ການໄປຂໍໂທດດ້ວຍຕົນເອງເມື່ອເກີດບັນຫາ, ການພົບປະກັບລູກຄ້າສຳຄັນໃນໂອກາດສຳຄັນ, ຫຼື ການສຳພາດຮອບສຸດທ້າຍໃນການຮັບພະນັກງານ, ບໍ່ວ່າເນື້ອໃນຈະດີຫຼືບໍ່ ແຕ່ຂໍ້ເທັດຈິງທີ່ວ່າ "ມະນຸດໄດ້ມາເອງ ຫຼື ມະນຸດເປັນຜູ້ຕັດສິນໃຈ" ນັ້ນເອງທີ່ເປັນຫຼັກປະກັນຂອງຄວາມເຊື່ອໝັ້ນ.

ສິ່ງທີ່ຄວນລະວັງໃນແກນນີ້ແມ່ນ ຜູ້ຕັດສິນຄຸນຄ່າບໍ່ແມ່ນບໍລິສັດຂອງທ່ານ ແຕ່ແມ່ນອີກຝ່າຍໜຶ່ງ. ເຖິງແມ່ນວ່າພາຍໃນບໍລິສັດຈະເຫັນວ່າ "ໃຊ້ AI ກໍພຽງພໍແລ້ວ" ແຕ່ຖ້າຫາກໄປອັດຕະໂນມັດໃນຈຸດທີ່ຜູ້ຮັບຄາດຫວັງໃຫ້ມະນຸດມີສ່ວນຮ່ວມ ກໍອາດຈະເຮັດໃຫ້ສູນເສຍທຶນຮອນທາງຄວາມສຳພັນ ເພື່ອແລກກັບຕົວເລກປະສິດທິພາບ. ເມື່ອຕ້ອງແບ່ງປະເພດວຽກງານໃນການພົວພັນກັບລູກຄ້າ, ຂໍແນະນຳໃຫ້ລວມເອົາ "ຄຸນຄ່າຂອງການທີ່ມະນຸດເປັນຜູ້ຮັບຜິດຊອບ" ໄວ້ໃນການຄິດໄລ່ຕົ້ນທຶນຢ່າງຈະແຈ້ງ.

ຄຳຖາມທີ 3 ແມ່ນ "ກ່ຽວກັບຜົນລັດ, ໃຜຈະເປັນຜູ້ອະທິບາຍໃຫ້ໃຜ ແລະ ອະທິບາຍແນວໃດ".

ການຕັດສິນໃຈທີ່ມີຜົນກະທົບໂດຍກົງຕໍ່ສິດທິ ແລະ ຜົນປະໂຫຍດຂອງບຸກຄົນ ເຊັ່ນ: ການຮັບສະໝັກງານ, ການໃຫ້ສິນເຊື່ອ, ແລະ ການປະເມີນຜົນການປະຕິບັດງານຂອງພະນັກງານ, ນອກເໜືອໄປຈາກຕົ້ນທຶນຂອງຄວາມຜິດພາດແລ້ວ, ຍັງມີຄວາມຕ້ອງການໃຫ້ມະນຸດເຂົ້າມາມີສ່ວນຮ່ວມຈາກມຸມມອງຂອງຄວາມຮັບຜິດຊອບໃນການອະທິບາຍ. ຕົວຢ່າງເຊັ່ນ: EU AI Act ທີ່ກຳລັງດຳເນີນການນຳໃຊ້ເປັນຂັ້ນຕອນນັ້ນ, ໄດ້ກຳນົດໃຫ້ມີການກຳກັບດູແລໂດຍມະນຸດ (human oversight) ສຳລັບການນຳໃຊ້ AI ທີ່ຖືກຈັດປະເພດວ່າມີຄວາມສ່ຽງສູງ. ເຖິງແມ່ນວ່າຈະຢູ່ໃນປະເທດ, ຂະບວນການເຮັດວຽກທີ່ບໍ່ສາມາດອະທິບາຍເຫດຜົນຂອງການຕັດສິນໃຈໄດ້ ກໍຈະບໍ່ສາມາດດຳເນີນຕໍ່ໄປໄດ້ໃນສະຖານະການກວດສອບ ຫຼື ການບໍລິການລູກຄ້າ.

ໃນທາງປະຕິບັດ, ຄວນກຽມລະບົບທີ່ບໍ່ໃຫ້ "AI ເປັນຜູ້ຕັດສິນ" ເປັນຄຳຕອບສຸດທ້າຍ, ເຊິ່ງປະກອບດ້ວຍ 3 ສ່ວນຄື: ການບັນທຶກ Log ຂອງການຕັດສິນໃຈ, ການກຳນົດຜູ້ຮັບຜິດຊອບໃຫ້ຊັດເຈນ, ແລະ ເສັ້ນທາງທີ່ມະນຸດສາມາດຕັດສິນໃຈໃໝ່ໄດ້ໃນກໍລະນີທີ່ມີການຄັດຄ້ານ. ວິທີການກຳນົດສິ່ງເຫຼົ່ານີ້ໃຫ້ເປັນກົດລະບຽບໃນອົງກອນ ໄດ້ອະທິບາຍໄວ້ຢ່າງລະອຽດໃນ ກອບການບໍລິຫານຈັດການໃນຍຸກຂອງຕົວແທນ (Agentic Governance Framework).

ໃນ 3 ແກນການຕັດສິນໃຈ, ຖ້າເຮົາເລືອກ 2 ແກນ ຄື "ຕົ້ນທຶນຂອງຄວາມຜິດພາດ" ແລະ "ຄຸນຄ່າຂອງການເປັນມະນຸດ", ວຽກງານຕ່າງໆກໍສາມາດຈັດລຽງອອກເປັນ 4 ຄວາດຣັນ (Quadrants) ໄດ້. ສ່ວນແກນຄວາມຮັບຜິດຊອບນັ້ນ ໃຫ້ວາງຊ້ອນລົງໄປເປັນກົດລະບຽບການດຳເນີນງານຫຼັງຈາກການຈັດປະເພດແລ້ວ.

ສະຫຼຸບ: ວຽກງານທີ່ມີຕົ້ນທຶນຈາກຄວາມຜິດພາດຕໍ່າ ແລະ ມີຄຸນຄ່າຂອງມະນຸດຕໍ່າ ຄວນມອບໝາຍໃຫ້ AI, ວຽກງານທີ່ມີຕົ້ນທຶນຈາກຄວາມຜິດພາດສູງ ຄວນຮ່ວມມືກັນ, ແລະ ວຽກງານທີ່ມີຄຸນຄ່າຂອງມະນຸດສູງ ຄວນໃຫ້ມະນຸດເປັນຜູ້ຮັບຜິດຊອບຫຼັກ.

ສິ່ງທີ່ມັກຈະຖືກມອງຂ້າມຄືຕາຕະລາງ C. ເນື່ອງຈາກຕົ້ນທຶນຈາກຄວາມຜິດພາດຕໍ່າ ຈຶ່ງເບິ່ງຄືວ່າເປັນຜູ້ສະໝັກໃນການເຮັດອັດຕະໂນມັດ, ແຕ່ການສື່ສານປະຈຳວັນ ຫຼື ການສຶກສາອົບຮົມນັ້ນ ການທີ່ມະນຸດເປັນຜູ້ເຮັດເອງຄືຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ໃນການສ້າງຄວາມເຊື່ອໝັ້ນ, ຖ້າເຮັດໃຫ້ສ່ວນນີ້ເປັນອັດຕະໂນມັດ ຈະເຮັດໃຫ້ຄຸນນະພາບຂອງຄວາມສຳພັນຫຼຸດລົງໃນຈຸດທີ່ຕົວເລກປະສິດທິພາບບໍ່ສາມາດສະແດງອອກມາໄດ້. ການໃຫ້ AI ເປັນພຽງຜູ້ຊ່ວຍໃນການຮ່າງ ຫຼື ເຕືອນຄວາມຈຳແມ່ນເໝາະສົມທີ່ສຸດ.

ເຄັດລັບໃນການດຳເນີນງານຄື ຢ່າກຳນົດຜົນການແບ່ງປະເພດໃຫ້ເປັນປ້າຍກຳກັບທີ່ຕາຍຕົວ. ເຖິງຈະເປັນ "ການເຮັດໃບສະເໜີລາຄາ" ຄືກັນ ແຕ່ຂະໜາດຂອງຈຳນວນເງິນ ຫຼື ຄວາມສຳຄັນຂອງລູກຄ້າກໍເຮັດໃຫ້ຕາຕະລາງປ່ຽນແປງໄດ້. ການຂີດເສັ້ນແບ່ງໂດຍມີເງື່ອນໄຂ ເຊັ່ນ: "ໃບສະເໜີລາຄາແບບປົກກະຕິທີ່ມີມູນຄ່າບໍ່ເກີນຈຳນວນທີ່ກຳນົດ ໃຫ້ຈັດຢູ່ໃນຕາຕະລາງ B ເພື່ອຮ່ວມມືກັນ, ສ່ວນທີ່ເຫຼືອໃຫ້ຈັດຢູ່ໃນຕາຕະລາງ D ໂດຍໃຫ້ມະນຸດເປັນຜູ້ຮັບຜິດຊອບ" ຈະຊ່ວຍໃຫ້ການດຳເນີນງານໃນພາກປະຕິບັດງ່າຍຂຶ້ນ.

ເມື່ອມອບໝາຍວຽກໃນ Quadrant A ໃຫ້ AI, ຄຳວ່າ "ມອບໝາຍ" ບໍ່ໄດ້ໝາຍເຖິງ "ການປ່ອຍປະລະເລີຍ". ສິ່ງທີ່ຄວນອອກແບບຄື ສະພາບແວດລ້ອມໃນການປະຕິບັດງານ ແລະ ກົນໄກການກວດສອບ.

ກ່ອນອື່ນແມ່ນ ສະພາບແວດລ້ອມໃນການປະຕິບັດງານ. ເພື່ອໃຫ້ AI ສາມາດເຮັດວຽກໄດ້ຢ່າງໝັ້ນຄົງ, ຕ້ອງມີການຈັດກຽມຂໍ້ມູນທີ່ໃຊ້ໃນການອ້າງອີງ, ຈຳກັດເຄື່ອງມື ແລະ ສິດທິໃນການໃຊ້ງານ, ລວມເຖິງການກຳນົດເງື່ອນໄຂໃນການລອງໃໝ່ (Retry) ຫຼື ເງື່ອນໄຂໃນການຢຸດການເຮັດວຽກເມື່ອເກີດຂໍ້ຜິດພາດໄວ້ລ່ວງໜ້າ. ແນວຄວາມຄິດກ່ຽວກັບ "ການຈັດກຽມສະພາບແວດລ້ອມເພື່ອໃຫ້ AI ເຮັດວຽກໄດ້" ນີ້ ສາມາດອ້າງອີງໄດ້ຈາກ ບົດຄວາມອະທິບາຍກ່ຽວກັບ Harness Engineering.

ຕໍ່ມາແມ່ນ ການກວດສອບ. ບໍ່ຈຳເປັນຕ້ອງໃຫ້ມະນຸດກວດສອບທຸກລາຍການ, ແຕ່ຄວນຮັກສາການກວດສອບແບບສຸ່ມ (Sampling) ແລະ ການຕິດຕາມຕົວຊີ້ວັດດ້ານຄຸນນະພາບໄວ້. ອັດຕາສ່ວນຂອງການສຸ່ມບໍ່ຄວນກຳນົດໄວ້ຄົງທີ່, ແຕ່ຄວນດຳເນີນການແບບເຄື່ອນໄຫວ (Dynamic) ໂດຍການຫຼຸດອັດຕາສ່ວນລົງເມື່ອຄຸນນະພາບມີຄວາມໝັ້ນຄົງ ແລະ ເພີ່ມອັດຕາສ່ວນຂຶ້ນຊົ່ວຄາວທັນທີຫຼັງຈາກມີການປ່ຽນແປງ Model ຫຼື ເນື້ອໃນຂອງວຽກ. ບົດບາດຂອງມະນຸດຫຼັງຈາກການເຮັດວຽກແບບອັດຕະໂນມັດຈະປ່ຽນຈາກ "ການປະຕິບັດວຽກ" ໄປສູ່ "ການກວດສອບຜົນລັດ ແລະ ການຈັດການກັບກໍລະນີຍົກເວັ້ນ". ການປ່ຽນແປງທາງດ້ານຄຸນນະພາບຂອງວຽກງານນີ້ ໄດ້ມີການສົນທະນາຢ່າງລະອຽດໃນ ບົດຄວາມທີ່ກ່າວເຖິງການປ່ຽນຜ່ານໄປສູ່ຜູ້ກວດສອບ. ຍິ່ງຂະຫຍາຍຂອບເຂດການມອບໝາຍວຽກຫຼາຍເທົ່າໃດ, ການອອກແບບການກວດສອບກໍຈະກາຍເປັນວຽກຫຼັກຂອງຝ່າຍມະນຸດຫຼາຍຂຶ້ນເທົ່ານັ້ນ.

ສິ່ງທີ່ສຳຄັນທີ່ສຸດໃນການຮ່ວມມືແບບ Quadrant B ແມ່ນການອອກແບບວ່າຈະໃຫ້ມະນຸດເຂົ້າມາມີສ່ວນຮ່ວມໃນຂັ້ນຕອນໃດ. ເຊິ່ງມີທາງເລືອກຫຼັກໆ 3 ທາງດັ່ງນີ້:

1. ຮູບແບບອະນຸມັດກ່ອນ (Pre-approval): ໃຫ້ມະນຸດອະນຸມັດຂໍ້ສະເໜີຂອງ AI ກ່ອນດຳເນີນການ (ເໝາະສຳລັບການປະຕິບັດງານທີ່ບໍ່ສາມາດຍົກເລີກໄດ້).
2. ຮູບແບບກວດສອບພາຍຫຼັງ (Post-review): ໃຫ້ AI ດຳເນີນການກ່ອນ ແລ້ວມະນຸດຄ່ອຍມາ ກວດສອບ ຫຼື ແກ້ໄຂພາຍຫຼັງ (ເໝາະສຳລັບການປະຕິບັດງານທີ່ສາມາດຍົກເລີກ ຫຼື ແກ້ໄຂໄດ້).
3. ຮູບແບບສົ່ງຕໍ່ກໍລະນີຍົກເວັ້ນ (Exception escalation): ໂດຍປົກກະຕິຈະໃຫ້ AI ເປັນຜູ້ຈັດການ ແລ້ວສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ມະນຸດສະເພາະກໍລະນີທີ່ມີຄວາມໝັ້ນໃຈຕ່ຳເທົ່ານັ້ນ.

ການເລືອກຮູບແບບໃດນັ້ນ ໃຫ້ໃຊ້ຄວາມສາມາດໃນການຍົກເລີກ (Reversibility) ຂອງປັດໄຈການຕັດສິນໃຈທີ 1 ເປັນມາດຕະຖານ. ຖ້າເປັນການປະຕິບັດງານທີ່ບໍ່ສາມາດຍົກເລີກໄດ້ ໃຫ້ໃຊ້ການອະນຸມັດກ່ອນ, ຖ້າສາມາດຍົກເລີກໄດ້ ໃຫ້ໃຊ້ການກວດສອບພາຍຫຼັງ, ແລະ ຖ້າມີຈຳນວນວຽກຫຼາຍ ແລະ ຄວາມຖືກຕ້ອງໄດ້ຮັບການຢືນຢັນຈາກຜົນການດຳເນີນງານຕົວຈິງແລ້ວ ໃຫ້ໃຊ້ການສົ່ງຕໍ່ກໍລະນີຍົກເວັ້ນ ເຊິ່ງເປັນຮູບແບບພື້ນຖານ.

ຖ້າອອກແບບການມີສ່ວນຮ່ວມຜິດພາດ ຈະສົ່ງຜົນໃຫ້ເກີດບັນຫາຄື: ການອະນຸມັດຫຼາຍເກີນໄປຈົນເຮັດໃຫ້ຂະບວນການຊັກຊ້າ, ຫຼື ການອະນຸມັດໜ້ອຍເກີນໄປຈົນການກວດສອບກາຍເປັນພຽງຮູບແບບທີ່ບໍ່ມີປະສິດທິຜົນ. ເພື່ອປ້ອງກັນບໍ່ໃຫ້ເກີດບັນຫາດັ່ງກ່າວ, ວິທີທີ່ມີປະສິດທິຜົນຄື: ການສະແດງເຫດຜົນໃນການຕັດສິນໃຈຂອງ AI ແລະ ຈຸດທີ່ບໍ່ແນ່ນອນໃຫ້ຊັດເຈນໃນໜ້າຈໍອະນຸມັດ, ການຮຽກຮ້ອງໃຫ້ຜູ້ອະນຸມັດບັນທຶກເຫດຜົນໃນການປະຕິເສດ, ແລະ ການສ້າງກົນໄກເພື່ອວັດແທກອັດຕາການກວດພົບໂດຍການໃສ່ຂໍ້ມູນທີ່ຜິດພາດແບບຈຳລອງ (Dummy) ເຂົ້າໄປເປັນໄລຍະ. ສຳລັບພາບລວມຂອງການອອກແບບການຮ່ວມມື, ກະລຸນາເບິ່ງ ບົດຄວາມອະທິບາຍກ່ຽວກັບ HITL.

ຄວາມລົ້ມເຫຼວໃນການແບ່ງງານສາມາດສະຫຼຸບໄດ້ເປັນ 2 ຮູບແບບ ຄື: ການຄິດແບບເລືອກໄດ້ພຽງສອງທາງ ແລະ ການອະນຸມັດທີ່ເປັນພຽງຮູບແບບ. ທັງສອງຢ່າງນີ້ສາມາດຫຼີກລ່ຽງໄດ້ຫາກຮູ້ລ່ວງໜ້າ.

ການສົນທະນາກ່ຽວກັບການນຳໃຊ້ AI ຖ້າເລີ່ມຕົ້ນດ້ວຍຄຳຖາມທີ່ວ່າ "ຄວນເຮັດໃຫ້ວຽກນີ້ເປັນ AI ບໍ?" ມັກຈະພົບທາງຕັນ. ຖ້າຄິດໂດຍການເລືອກຢ່າງໃດຢ່າງໜຶ່ງໃນລະດັບວຽກງານ, ມັກຈະກາຍເປັນສອງກໍລະນີຄື: ການອັດຕະໂນມັດທັງໝົດຂອງວຽກງານຖືກຍົກເລີກຍ້ອນບາງໜ້າວຽກທີ່ມີຄວາມສ່ຽງສູງ, ຫຼື ໃນທາງກົງກັນຂ້າມ, ວຽກງານທັງໝົດຖືກເຮັດໃຫ້ເປັນອັດຕະໂນມັດຢ່າງບໍ່ລະມັດລະວັງໂດຍອີງໃສ່ພຽງແຕ່ບາງໜ້າວຽກທີ່ເປັນຮູບແບບປົກກະຕິເທົ່ານັ້ນ.

ວິທີແກ້ໄຂແມ່ນງ່າຍດາຍ, ຄືການຫຼຸດລະດັບການຕັດສິນໃຈຈາກ "ວຽກງານ" ມາເປັນ "ໜ້າວຽກ". ຕົວຢ່າງ, ຖ້າເປັນ "ການຕອບຮັບຄຳຖາມ", ສາມາດແຍກອອກເປັນປະມານ 6 ໜ້າວຽກ ຄື: ການຮັບເລື່ອງ, ການຈັດໝວດໝູ່, ການສ້າງຮ່າງຄຳຕອບ, ການສົ່ງຂໍ້ມູນ, ການສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ (Escalation) ເມື່ອມີການຮ້ອງຮຽນ, ແລະ ການອັບເດດຄວາມຮູ້. ໃນບັນດາໜ້າວຽກເຫຼົ່ານີ້, ຖ້າແຍກອອກວ່າການຈັດໝວດໝູ່ ແລະ ການສ້າງຮ່າງຄຳຕອບໃຫ້ AI ເປັນຜູ້ຈັດການ, ການສົ່ງຂໍ້ມູນໃຫ້ມະນຸດເປັນຜູ້ກວດສອບໂດຍມີເງື່ອນໄຂເຊັ່ນ: ຈຳນວນເງິນ ຫຼື ການສະແດງອອກທາງອາລົມ ເປັນການເຮັດວຽກຮ່ວມກັນ, ແລະ ການຈັດການກັບການຮ້ອງຮຽນໃຫ້ມະນຸດເປັນຜູ້ຮັບຜິດຊອບ, ການສົນທະນາກໍຈະກ້າວໄປຂ້າງໜ້າທັນທີ.

ຖ້າແຍກຂະບວນການເຮັດວຽກອອກເປັນປະມານ 10 ໜ້າວຽກ ແລະ ແບ່ງແຕ່ລະໜ້າວຽກອອກເປັນ 4 ພາກສ່ວນ, ທ່ານຈະສາມາດເຫັນພາບທີ່ເປັນຈິງໄດ້ວ່າ "ວຽກນີ້ສາມາດໃຫ້ AI ຈັດການໜ້າວຽກໄດ້ 7 ສ່ວນ, ແຕ່ການຕັດສິນໃຈ 2 ຢ່າງນີ້ຄວນໃຫ້ມະນຸດເປັນຜູ້ເຮັດ". ຄວາມລະອຽດໃນການແຍກໜ້າວຽກຄວນຍຶດຖື "ໜ່ວຍງານທີ່ສາມາດສົ່ງຕໍ່ໃຫ້ຜູ້ຮັບຜິດຊອບໃໝ່ໄດ້" ເປັນມາດຕະຖານ.

ຄວາມຜິດພາດທີ່ພົບເລື້ອຍທີ່ສຸດໃນການອອກແບບແບບຮ່ວມມື ຄືການທີ່ການອະນຸມັດກາຍເປັນພຽງຮູບແບບ. ເນື່ອງຈາກມີການກວດສອບໂດຍມະນຸດ ຈຶ່ງເຮັດໃຫ້ເກີດຄວາມອຸ່ນໃຈ ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ ຜົນລວມຈາກ AI ພັດຜ່ານໄປໄດ້ເກືອບທັງໝົດ. ເບື້ອງຫຼັງຂອງເລື່ອງນີ້ມີລັກສະນະທາງສະຕິປັນຍາທີ່ເອີ້ນວ່າ "ອະຄະຕິດ້ານລະບົບອັດຕະໂນມັດ" (Automation Bias) ເຊິ່ງເປັນການເຊື່ອໝັ້ນໃນຜົນລວມຈາກ AI ຫຼາຍເກີນໄປ (ສຳລັບລາຍລະອຽດເພີ່ມເຕີມ ໃຫ້ເບິ່ງທີ່ ບົດຄວາມອະທິບາຍກ່ຽວກັບອະຄະຕິດ້ານລະບົບອັດຕະໂນມັດ).

ສັນຍານເຕືອນຈະປາກົດຢູ່ໃນຂໍ້ມູນ. ສະພາວະທີ່ອັດຕາການອະນຸມັດຢູ່ໃນລະດັບສູງຄົງທີ່, ເວລາທີ່ໃຊ້ໃນການອະນຸມັດບໍ່ມີຄວາມສຳພັນກັບຄວາມຊັບຊ້ອນຂອງເນື້ອຫາ, ຫຼື ການບັນທຶກເຫດຜົນໃນການປະຕິເສດວ່າງເປົ່າ, ສິ່ງເຫຼົ່ານີ້ຖືໄດ້ວ່າເປັນສັນຍານທີ່ບົ່ງບອກວ່າການກວດສອບ (Review) ບໍ່ໄດ້ເຮັດວຽກຢ່າງມີປະສິດທິພາບ.

ວິທີການຫຼີກລ່ຽງ ຄືການອອກແບບໂດຍເນັ້ນການຫຼຸດຜ່ອນພາລະຂອງຜູ້ອະນຸມັດ ໃນຂະນະທີ່ຍັງຄົງຮັກສາຄວາມເອົາໃຈໃສ່ໄວ້. ທາງເລືອກໃນການປະຕິບັດງານຕົວຈິງ ເຊັ່ນ: ການຍົກເລີກການອະນຸມັດທຸກກໍລະນີແລ້ວຫັນມາເນັ້ນສະເພາະກໍລະນີທີ່ມີຄວາມສ່ຽງສູງ, ການໃຫ້ AI ສະແດງລະດັບຄວາມໝັ້ນໃຈດ້ວຍຕົນເອງແລ້ວເລືອກກວດສອບສະເພາະກໍລະນີທີ່ມີຄວາມໝັ້ນໃຈຕໍ່າ, ຫຼື ການສຸ່ມກວດສອບຄືນໃໝ່ເປັນໄລຍະ.

ຕໍ່ໄປນີ້ແມ່ນຂັ້ນຕອນໃນການນຳເອົາແກນການຕັດສິນໃຈ ແລະ ເຟຣມເວີກທີ່ກ່າວມາຂ້າງເທິງນີ້ ໄປປະຕິບັດໃນໂຄງການຕົວຈິງ:

1. ແຍກວຽກງານອອກເປັນທາສກ໌ (Tasks): ແບ່ງວຽກງານເປົ້າໝາຍອອກເປັນປະມານ 10 ທາສກ໌, ພ້ອມທັງຂຽນຂໍ້ມູນນຳເຂົ້າ (Input), ຂໍ້ມູນສົ່ງອອກ (Output) ແລະ ຜູ້ທີ່ມີສ່ວນກ່ຽວຂ້ອງອອກມາ.
2. ປະເມີນດ້ວຍ 3 ແກນການຕັດສິນໃຈ: ໃນແຕ່ລະທາສກ໌ ໃຫ້ປະເມີນ "ຕົ້ນທຶນຂອງຄວາມຜິດພາດ", "ຄຸນຄ່າຂອງການເປັນມະນຸດ" ແລະ "ຄວາມຮັບຜິດຊອບໃນການອະທິບາຍ" ໂດຍໃຫ້ຄະແນນເປັນ ສູງ ຫຼື ຕ່ຳ. ໃຫ້ຄວາມສຳຄັນກັບການສ້າງຄວາມເຂົ້າໃຈທີ່ກົງກັນລະຫວ່າງຜູ້ມີສ່ວນກ່ຽວຂ້ອງ ຫຼາຍກວ່າການປະເມີນທີ່ສົມບູນແບບ.
3. ຈັດວາງລົງໃນ 4 ຄວາດຣັນ (Quadrants) ເພື່ອຕັດສິນໃຈເບື້ອງຕົ້ນກ່ຽວກັບວິທີການມອບໝາຍ: ສຳລັບທາສກ໌ທີ່ຍັງລັງເລ ໃຫ້ວາງໄວ້ໃນຝັ່ງທີ່ປອດໄພກວ່າ (ຝັ່ງທີ່ມີມະນຸດເຂົ້າໄປກ່ຽວຂ້ອງຫຼາຍກວ່າ) ກ່ອນທີ່ຈະເລີ່ມຕົ້ນ.
4. ທົດລອງໃນຂະໜາດນ້ອຍ ແລະ ສັງເກດການ: ເລີ່ມຕົ້ນການດຳເນີນງານຈາກ 1-2 ທາສກ໌, ບໍ່ພຽງແຕ່ສັງເກດຄວາມຖືກຕ້ອງເທົ່ານັ້ນ ແຕ່ໃຫ້ວັດແທກປະສິດທິຜົນຂອງການອະນຸມັດ (ອັດຕາການອະນຸມັດ, ເຫດຜົນໃນການປະຕິເສດ) ແລະ ການປ່ຽນແປງຂອງຈຳນວນຊົ່ວໂມງເຮັດວຽກ. ການອອກແບບການວັດແທກຜົນກະທົບ ສາມາດອ້າງອີງໄດ້ຈາກ ຄູ່ມືການວັດແທກ ROI ຂອງ AI Agent.
5. ຂີດເສັ້ນແບ່ງໃໝ່ຢ່າງສະໝໍ່າສະເໝີ: ປະສິດທິພາບຂອງໂມເດວ, ກົດລະບຽບ ແລະ ຄວາມຊຳນານຂອງອົງກອນມີການປ່ຽນແປງຢູ່ຕະຫຼອດເວລາ. ຄວນທົບທວນການຈັດວາງໃນຄວາດຣັນຢ່າງໜ້ອຍໄຕມາດລະຄັ້ງ ເພື່ອກວດສອບວ່າ ມີທາສກ໌ໃດທີ່ສາມາດຍ້າຍໄປໃຫ້ AI ເຮັດແທນໄດ້ ຫຼື ໃນທາງກັບກັນ ມີທາສກ໌ໃດທີ່ຄວນສົ່ງກັບຄືນມາໃຫ້ມະນຸດເຮັດ.

ການແບ່ງໜ້າທີ່ຮັບຜິດຊອບບໍ່ແມ່ນກົດລະບຽບທີ່ຕາຍຕົວເຊິ່ງຕັດສິນໃຈແລ້ວຈົບໄປ, ແຕ່ເປັນຂະບວນການດຳເນີນງານທີ່ຕັ້ງຢູ່ບົນພື້ນຖານຂອງການສັງເກດການ ແລະ ການທົບທວນຄືນ.

ຂ້າພະເຈົ້າໄດ້ລວບລວມຄຳຖາມທີ່ມັກພົບເລື້ອຍໃນຂັ້ນຕອນການພິຈາລະນາ ກ່ຽວກັບການແບ່ງໜ້າທີ່ລະຫວ່າງ AI ແລະ ມະນຸດ.

ໂດຍພື້ນຖານແລ້ວ, ຄວນແຍກວຽກງານອອກເປັນໜ່ວຍຍ່ອຍ ແລະ ປະເມີນຜົນໂດຍອີງໃສ່ 3 ແກນຫຼັກ ຄື: "ຕົ້ນທຶນຂອງຄວາມຜິດພາດ", "ຄຸນຄ່າຂອງຄວາມເປັນມະນຸດ" ແລະ "ຄວາມຮັບຜິດຊອບທີ່ອະທິບາຍໄດ້". ຖ້າຕົ້ນທຶນຂອງຄວາມຜິດພາດຕໍ່າ ແລະ ຄຸນຄ່າຂອງຄວາມເປັນມະນຸດກໍຕໍ່າ ໃຫ້ມອບໝາຍໃຫ້ AI ເປັນຜູ້ຈັດການ, ຖ້າຕົ້ນທຶນຂອງຄວາມຜິດພາດສູງ ໃຫ້ໃຊ້ຮູບແບບການເຮັດວຽກຮ່ວມກັນໂດຍມີມະນຸດເປັນຜູ້ອະນຸມັດ, ແລະ ຖ້າຄຸນຄ່າຂອງຄວາມເປັນມະນຸດສູງ ໃຫ້ມະນຸດເປັນຜູ້ດຳເນີນການຫຼັກ. ຫາກບໍ່ແນ່ໃຈ, ວິທີທີ່ປອດໄພທີ່ສຸດແມ່ນເລີ່ມຈາກການໃຫ້ມະນຸດມີສ່ວນຮ່ວມຫຼາຍກ່ອນ ແລ້ວຈຶ່ງຄ່ອຍໆຂະຫຍາຍຂອບເຂດການມອບໝາຍວຽກໂດຍອີງຕາມຜົນງານທີ່ເກີດຂຶ້ນຈິງ. ໃນກໍລະນີທີ່ມີວຽກງານທີ່ຕັດສິນໃຈຍາກຫຼາຍຢ່າງ, ໃຫ້ລອງແຍກປະເພດວຽກພຽງໜຶ່ງໜ້າວຽກກ່ອນ ເພື່ອໃຫ້ສາມາດເຂົ້າໃຈມາດຕະຖານຂອງບໍລິສັດຕົນເອງໄດ້ໄວຂຶ້ນ.

ຖ້າຫາກການແບ່ງໜ້າທີ່ຮັບຜິດຊອບແມ່ນການອອກແບບລະດັບສູງທີ່ກຳນົດວ່າ "ວຽກໃດຄວນຈັດການດ້ວຍຮູບແບບໃດ", HITL ກໍເປັນວິທີການທີ່ເປັນຮູບປະທຳສຳລັບການຈັດຕັ້ງປະຕິບັດຮູບແບບການຮ່ວມມືດັ່ງກ່າວ. ກ່າວຄື: ທັງສອງຢ່າງບໍ່ແມ່ນແນວຄິດທີ່ຂັດແຍ່ງກັນ ແຕ່ເປັນຄວາມສຳພັນແບບລຳດັບຊັ້ນ, ໂດຍການອອກແບບ HITL ຄືການຕັດສິນໃຈວ່າຈະໃຫ້ມະນຸດເຂົ້າມາມີສ່ວນຮ່ວມໃນຮູບແບບໃດ (ການອະນຸມັດລ່ວງໜ້າ, ການກວດສອບພາຍຫຼັງ, ຫຼື ການຍົກລະດັບກໍລະນີຍົກເວັ້ນ) ສຳລັບວຽກທີ່ຖືກກຳນົດໄວ້ໃນການແບ່ງໜ້າທີ່ວ່າເປັນ "ການຮ່ວມມື". ສຳລັບລາຍລະອຽດເພີ່ມເຕີມ, ກະລຸນາເບິ່ງ ບົດຄວາມອະທິບາຍກ່ຽວກັບ HITL.

ແມ່ນມີຄວາມຈຳເປັນ. ຍິ່ງໄປກວ່ານັ້ນ, ໃນອົງກອນທີ່ມີຈຳນວນຄົນໜ້ອຍ, ບຸກຄົນໜຶ່ງມັກຈະຮັບຜິດຊອບຫຼາຍໜ້າວຽກທີ່ມີຕົ້ນທຶນຂອງຄວາມຜິດພາດແຕກຕ່າງກັນ, ເຮັດໃຫ້ເກີດການ "ມອບໝາຍວຽກຫຼາຍເກີນໄປ" ໂດຍບໍ່ຮູ້ຕົວໄດ້ງ່າຍ. ເຖິງຢ່າງໃດກໍຕາມ, ບໍ່ຈຳເປັນຕ້ອງມີໂຄງສ້າງທີ່ໃຫຍ່ໂຕ, ພຽງແຕ່ຂຽນໜ້າວຽກຫຼັກອອກມາແລ້ວວາງລົງໃນ 4 ຕາລາງ (4 Quadrants) ກໍສາມາດສ້າງຄວາມເຂົ້າໃຈທີ່ກົງກັນໄດ້ວ່າ ສ່ວນໃດຄວນເຮັດໃຫ້ເປັນອັດຕະໂນມັດ ແລະ ສ່ວນໃດຄວນໃຫ້ມະນຸດເປັນຜູ້ຈັດການ. ໃນອົງກອນທີ່ມີການຮັບຜິດຊອບຫຼາຍໜ້າວຽກ, ພຽງແຕ່ການຕັດສິນໃຈກ່ອນວ່າ "ໃຜຈະເປັນຜູ້ກວດສອບຄັ້ງສຸດທ້າຍ" ກໍມີປະສິດທິຜົນແລ້ວ. ຂໍແນະນຳໃຫ້ເລີ່ມຕົ້ນຈາກການກວດສອບໜ້າວຽກ 1 ຢ່າງຕໍ່ 1 ອາທິດກ່ອນ.

ການແບ່ງງານລະຫວ່າງ AI ແລະ ມະນຸດ ບໍ່ແມ່ນການຕັດສິນໃຈທາງທຸລະກິດທີ່ອີງໃສ່ "AI ສາມາດເຮັດຫຍັງໄດ້ແດ່" ແຕ່ແມ່ນການຕັດສິນໃຈທີ່ອີງໃສ່ "ຕົ້ນທຶນຂອງຄວາມຜິດພາດ, ຄຸນຄ່າຂອງການເປັນມະນຸດ ແລະ ຄວາມຮັບຜິດຊອບໃນການອະທິບາຍ". ການແຍກວຽກງານອອກເປັນໜ້າວຽກຍ່ອຍ, ການຈັດແບ່ງຕາມ 4 ມິຕິ, ການທົດລອງໃນຂອບເຂດນ້ອຍໆ ແລະ ການປັບປ່ຽນເສັ້ນແບ່ງງານຢ່າງຕໍ່ເນື່ອງ — ວົງຈອນການດຳເນີນງານນີ້ເອງ ຄື ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງການອອກແບບວຽກງານໃນຍຸກ AI.

ຫົວຂໍ້ທີ່ກ່ຽວຂ້ອງສາມາດອ່ານລາຍລະອຽດເພີ່ມເຕີມໄດ້ໃນບົດຄວາມລຸ່ມນີ້:

• Nostalgic Jobs ແມ່ນຫຍັງ? — ຕົວຕົນຂອງວຽກງານທີ່ຍັງຄົງເຫຼືອສຳລັບມະນຸດ
• ຄູ່ມືການຮັບມືກັບອະຄະຕິດ້ານລະບົບອັດຕະໂນມັດ (Automation Bias) — ກົນໄກຂອງການອະນຸມັດທີ່ຂາດເນື້ອໃນ
• Human-in-the-loop (HITL) — ການຈັດຕັ້ງປະຕິບັດໃນຮູບແບບການຮ່ວມມື
• Harness Engineering — ວິທີການສ້າງສະພາບແວດລ້ອມເພື່ອມອບໝາຍວຽກໃຫ້ AI

ຫາກທ່ານຕ້ອງການຄວາມຊ່ວຍເຫຼືອໃນການຈັດແບ່ງວຽກງານພາຍໃນບໍລິສັດ ຫຼື ການອອກແບບເພື່ອຕິດຕັ້ງ AI Agent, ກະລຸນາປຶກສາພວກເຮົາຜ່ານທາງ ຕິດຕໍ່ສອບຖາມ.