การแบ่งบทบาทระหว่าง AI กับมนุษย์: 3 เกณฑ์ตัดสินใจในการเลือก "มอบหมาย-ทำงานร่วมกัน-ทำด้วยตัวเอง"

การแบ่งบทบาทหน้าที่ระหว่าง AI และมนุษย์ คือการจำแนกงานย่อยต่างๆ ที่ประกอบกันเป็นธุรกิจออกเป็น 3 ประเภท ได้แก่ "มอบหมายให้ AI ทำ", "AI และมนุษย์ทำงานร่วมกัน" และ "มนุษย์เป็นผู้รับผิดชอบ" โดยเป็นการออกแบบกระบวนการทำงานใหม่ทั้งหมดโดยคำนึงถึงความแม่นยำ ความเสี่ยง และความรับผิดชอบเป็นสำคัญ

บทความนี้จัดทำขึ้นเพื่อผู้รับผิดชอบด้าน DX, แผนกสารสนเทศ และฝ่ายวางแผนกลยุทธ์ขององค์กรที่กำลังพิจารณาหรือผลักดันการนำ AI มาใช้ โดยจะอธิบายถึง 3 เกณฑ์การตัดสินใจในการแบ่งบทบาท, กรอบแนวคิด 4 ช่อง (4 Quadrant Framework) สำหรับคัดแยกงาน และ 5 ขั้นตอนในการนำ AI มาปรับใช้ เป้าหมายคือเมื่ออ่านจบแล้ว คุณจะสามารถนำรายการงานของบริษัทมาพิจารณาและขีดเส้นแบ่งได้อย่างมีหลักการว่า "งานนี้ควรให้ AI ทำ งานนี้ควรทำร่วมกัน และงานนี้ควรให้มนุษย์ทำต่อไป"

การออกแบบการแบ่งหน้าที่ไม่ใช่ "การทำรายการสิ่งที่ AI ทำได้" แต่เป็นการตัดสินใจเลือกรูปแบบการมอบหมายงานในแต่ละงาน ก่อนอื่นเรามาจัดระเบียบภาพรวมออกเป็น 3 รูปแบบกันก่อน

การแบ่งงานระหว่าง AI กับมนุษย์ไม่ใช่ทางเลือกว่าจะ "ทำอัตโนมัติหรือไม่ทำ" เพียงสองทางเท่านั้น ในทางปฏิบัติสามารถจัดระเบียบความคิดได้ง่ายขึ้นด้วยการแบ่งเป็น 3 ประเภท ดังนี้:

ประเด็นสำคัญคือการแบ่งประเภทเหล่านี้ไม่ได้ตัดสินที่ระดับ "กระบวนการทำงาน" (Business Process) แต่ตัดสินที่ระดับ "งานย่อย" (Task) ตัวอย่างเช่น แม้จะเป็นงานด้านการเรียกเก็บเงินเพียงอย่างเดียว ก็มักจะมีทั้ง 3 ประเภทผสมอยู่ในงานเดียว เช่น การดึงข้อมูลมอบหมายให้ AI ทำ, การตัดสินใจในกรณีข้อยกเว้นทำโดยการทำงานร่วมกัน, และการเจรจากับลูกค้าที่ชำระเงินล่าช้าเป็นหน้าที่ของมนุษย์ สำหรับรูปแบบการนำไปใช้งานจริงของระบบที่ต้องมีมนุษย์เข้ามาเกี่ยวข้อง สามารถดูรายละเอียดเพิ่มเติมได้ที่ บทความอธิบายเรื่อง Human-in-the-Loop (HITL)

ยิ่งประสิทธิภาพของ AI สูงขึ้นเท่าใด เกณฑ์การตัดสินใจแบ่งงานว่า "ทำได้หรือไม่" ก็จะยิ่งหมดความหมายลงเท่านั้น เพราะงานส่วนใหญ่ในทางเทคนิคแล้ว "ทำได้" ทั้งสิ้น อย่างไรก็ตาม ยังคงมีกรณีที่ไม่ควรปล่อยให้ AI ทำ ซึ่งมีเหตุผลหลัก 3 ประการ

ประการแรก สิ่งที่ทำได้กับสิ่งที่ยอมรับได้เมื่อเกิดข้อผิดพลาดนั้นเป็นคนละเรื่องกัน เราจำเป็นต้องออกแบบโดยตั้งสมมติฐานว่า Generative AI มีโอกาสผิดพลาดได้เสมอ ดังนั้นงานที่หากเกิดข้อผิดพลาดแล้วส่งผลกระทบสูง จึงยากที่จะนำมาทำเป็นระบบอัตโนมัติโดยอ้างอิงเพียงแค่ความแม่นยำเท่านั้น ประการที่สอง คือเรื่องความรับผิดชอบ เมื่อเกิดความเสียหายจากผลลัพธ์ของ AI การอ้างว่า "AI เป็นคนทำ" ไม่สามารถใช้เป็นคำอธิบายต่อลูกค้าหรือหน่วยงานกำกับดูแลได้ ประการที่สาม คือความรู้สึกของผู้รับบริการ IMF เรียกงานที่สังคมยังคงต้องการให้มนุษย์ทำแม้ว่า AI จะสามารถทดแทนได้ว่า "Nostalgic Jobs" ซึ่งเป็นงานที่การมีมนุษย์เป็นผู้รับผิดชอบถือเป็นคุณค่าในตัวเอง เช่น งานดูแลผู้ป่วย งานการศึกษา และงานพิธีการต่างๆ แนวคิดนี้ได้รับการอธิบายไว้อย่างละเอียดใน บทความเกี่ยวกับ Nostalgic Jobs

ในสังคมมักมีการพูดถึงหัวข้อนี้ในแง่ของ "งานที่จะไม่ถูก AI แย่งไป" หรือ "งานที่มนุษย์เท่านั้นที่ทำได้" แต่สิ่งที่ควรตั้งคำถามในการออกแบบกระบวนการทำงานขององค์กรไม่ใช่ "ทดแทนได้หรือไม่" แต่เป็น "อยากให้ทำหรือไม่" และ "ปล่อยให้ทำได้หรือไม่" ซึ่งคำตอบจะแตกต่างกันไปในแต่ละงาน กล่าวคือ การแบ่งบทบาทระหว่าง AI กับมนุษย์ไม่ใช่การประเมินทางเทคนิค แต่เป็นการตัดสินใจเชิงบริหารที่เกี่ยวข้องกับความเสี่ยง คุณค่า และความรับผิดชอบ

ในขณะที่การนำ AI Agent มาใช้งานจริงได้ขยาย "ขอบเขตที่สามารถมอบหมายงานให้ได้" ออกไปอย่างกว้างขวางในปัจจุบัน ความสามารถในการกำหนดขอบเขตที่เหมาะสมจึงเป็นตัวตัดสินผลลัพธ์ของการนำไปใช้งาน โดยจะขอตรวจสอบภูมิหลังดังกล่าวจาก 2 มุมมอง

การใช้งาน Generative AI ในรูปแบบเดิมมักเน้นไปที่ "มนุษย์เป็นผู้สั่งการ และ AI ตอบกลับ 1 ครั้ง" แต่ในปัจจุบัน AI Agent ที่สามารถวางแผน สั่งการเครื่องมือ และดำเนินการตามขั้นตอนต่างๆ อย่างต่อเนื่องได้เริ่มเข้ามามีบทบาทในการปฏิบัติงานจริงแล้ว กล่าวคือ ทางเลือกในการมอบหมาย "ช่วงหนึ่งของกระบวนการทำงาน" ให้ AI ทำแทนทั้งหมด ไม่ใช่แค่เพียง "การร่างข้อความ" ได้กลายเป็นความจริงขึ้นมาแล้ว

ขอบเขตของผลกระทบนั้นไม่น้อยเลย จากการวิเคราะห์ของ IMF ระบุว่าการจ้างงานทั่วโลกประมาณ 40% จะได้รับผลกระทบจาก AI (IMF "Gen-AI: Artificial Intelligence and the Future of Work" 2024) ยิ่งขอบเขตที่สามารถมอบหมายให้ AI ทำได้กว้างขึ้นเท่าใด การกำหนดเส้นแบ่งว่า "จะมอบหมายให้ AI ทำถึงแค่ไหน และมนุษย์จะเข้ามาดูแลต่อที่จุดใด" ก็จะกลายเป็นปัญหาการออกแบบด้านคุณภาพงานและการบริหารความเสี่ยงโดยตรง หากปล่อยให้หน้างานตัดสินใจเองโดยไม่มีการกำหนดทิศทางที่ชัดเจน ก็มีแนวโน้มที่จะเกิดปรากฏการณ์ย้อนแย้งที่แต่ละแผนกใช้มาตรฐานการใช้ AI ที่แตกต่างกัน และงานที่มีความเสี่ยงสูงกลับถูกนำไปทำเป็นระบบอัตโนมัติโดยไม่รู้ตัว

นอกจากนี้ การแบ่งบทบาทหน้าที่ไม่เพียงแต่เป็นประเด็นด้านประสิทธิภาพการทำงานเท่านั้น แต่ยังเป็นประเด็นด้านการออกแบบตำแหน่งงานอีกด้วย เมื่อภาระงานที่มอบหมายให้ AI เพิ่มขึ้น บทบาทของมนุษย์ก็จะเปลี่ยนไปเน้นที่การตรวจสอบ การจัดการข้อยกเว้น และการสร้างความสัมพันธ์กับลูกค้า ตารางแบ่งบทบาทหน้าที่จึงไม่ได้เป็นเพียงเครื่องมือในการปรับปรุงกระบวนการทำงานเท่านั้น แต่ยังเป็นรากฐานในการวางแผนการปรับทักษะพนักงาน (Reskilling) อีกด้วย

เมื่อการนำ AI มาใช้ไม่ประสบความสำเร็จ สาเหตุส่วนใหญ่มักไม่ได้อยู่ที่ความแม่นยำของโมเดล แต่อยู่ที่การออกแบบการแบ่งงาน ความล้มเหลวมักปรากฏในสองขั้วตรงข้าม

ขั้วหนึ่งคือ "การมอบหมายงานมากเกินไป" แม้จะมีการกำหนดให้คนตรวจสอบ แต่ด้วย "อคติจากการทำงานอัตโนมัติ" (Automation Bias) ที่ทำให้ยอมรับผลลัพธ์ของ AI โดยปราศจากการวิพากษ์ ส่งผลให้การตรวจสอบเป็นเพียงพิธีกรรมและปล่อยผ่านไปโดยไม่ได้ตรวจสอบจริง ปรากฏการณ์นี้และแนวทางแก้ไขได้อธิบายไว้อย่างละเอียดใน บทความอธิบายเรื่องอคติจากการทำงานอัตโนมัติ ส่วนอีกขั้วหนึ่งคือ "การมอบหมายงานน้อยเกินไป" ซึ่งเกิดจากการกำหนดให้ต้องผ่านการอนุมัติจากคนหลายขั้นตอนในทุกผลลัพธ์ ส่งผลให้กระบวนการทำงานช้ากว่าก่อนที่จะมีระบบอัตโนมัติ จนทำให้หน้างานเลิกใช้ AI ไปในที่สุด

ทั้งสองกรณีไม่ใช่ความล้มเหลวทางเทคนิค แต่เป็นความล้มเหลวในการตัดสินใจออกแบบว่า "งานนี้ควรให้มนุษย์เข้ามามีส่วนร่วมในระดับใดจึงจะเหมาะสม" ด้วยเหตุนี้ องค์กรจึงจำเป็นต้องมีบรรทัดฐานในการตัดสินใจร่วมกันไว้ล่วงหน้า

เกณฑ์ในการตัดสินใจมี 3 ประการ ได้แก่ "ต้นทุนของความผิดพลาด" (Cost of error), "คุณค่าของการเป็นมนุษย์" (Value of being human) และ "ความรับผิดชอบที่อธิบายได้" (Accountability) หากตั้งคำถามตามลำดับนี้ งานส่วนใหญ่จะถูกคัดแยกออกโดยธรรมชาติ

คำถามแรกที่ต้องถามคือ "จะเกิดอะไรขึ้นหาก AI ทำงานนี้ผิดพลาด" โดยมีจุดที่ต้องพิจารณา 2 ประการ คือ ขนาดของผลกระทบและความสามารถในการแก้ไข (reversibility)

การร่างอีเมลหรือการสรุปรายงานการประชุม หากเกิดข้อผิดพลาด มนุษย์ก็สามารถแก้ไขได้ และผลกระทบจะจำกัดอยู่เพียงภายในองค์กร งานที่มีต้นทุนความผิดพลาดต่ำและสามารถแก้ไขได้จึงเป็นตัวเลือกแรกๆ สำหรับการทำระบบอัตโนมัติ ในทางกลับกัน งานที่ไม่สามารถแก้ไขได้ง่ายทันทีที่ดำเนินการไปแล้ว เช่น การโอนเงิน, การตอบกลับลูกค้าอย่างเป็นทางการ หรือการปรับเปลี่ยนระบบการทำงานจริง (production system) ควรมีมนุษย์หรือระบบความปลอดภัยคอยกำกับดูแล "ก่อนการดำเนินการ" เสมอ ไม่ว่า AI จะมีความแม่นยำสูงเพียงใดก็ตาม ขนาดของผลกระทบสามารถประเมินได้ง่ายโดยแบ่งเป็น 3 ระดับ ได้แก่ "จบภายในองค์กร", "ถึงมือลูกค้า" และ "เกี่ยวข้องกับสังคม/กฎระเบียบ" ยิ่งอยู่ในระดับที่ออกไปภายนอกมากเท่าใด ความอดทนต่ออัตราความผิดพลาดก็จะยิ่งต่ำลงเท่านั้น

ในกรณีที่มอบหมายให้ AI Agent เป็นผู้ดำเนินการ ควรจำกัดสิทธิ์ให้เหลือเพียงเท่าที่จำเป็น และติดตั้งกลไกหยุดการทำงานอัตโนมัติเมื่อเกิดความผิดปกติ เพื่อลด "ต้นทุนของความผิดพลาด" ลง โดยมีหลักการว่าการขยายขอบเขตงานที่มอบหมายและการจัดเตรียมระบบความปลอดภัยต้องดำเนินการควบคู่กันไป (อ้างอิง: การออกแบบเซอร์กิตเบรกเกอร์สำหรับ AI Agent)

คำถามที่สองคือ "งานนี้มีคุณค่าในตัวมันเองหรือไม่หากมนุษย์เป็นผู้ทำ"

แม้ว่าจะสามารถใช้เทคโนโลยีทดแทนได้ แต่ก็ยังมีงานที่ลูกค้าหรือสังคมต้องการให้มนุษย์เข้ามามีส่วนร่วม ดังเช่นที่ IMF ได้กล่าวถึง Nostalgic Jobs ซึ่งได้กล่าวถึงไปในช่วงต้น โดยมีตัวอย่างเช่น การดูแลผู้สูงอายุ การศึกษา และพิธีกรรมทางศาสนา หากนำมาปรับใช้ในบริบทของ B2B เช่น การเข้าพบเพื่อขอโทษเมื่อเกิดปัญหา การพบปะกับลูกค้ารายสำคัญในโอกาสพิเศษ หรือการสัมภาษณ์งานรอบสุดท้าย สิ่งเหล่านี้ไม่ว่าเนื้อหาจะเป็นอย่างไร แต่ข้อเท็จจริงที่ว่า "มนุษย์ได้มาปรากฏตัวหรือมนุษย์เป็นผู้ตัดสินใจ" นั้นถือเป็นหลักประกันของความเชื่อมั่นในตัวมันเอง

สิ่งที่ควรระวังในประเด็นนี้คือ ผู้ตัดสินคุณค่าไม่ใช่ตัวบริษัทเอง แต่เป็นอีกฝ่ายหนึ่ง แม้ภายในบริษัทจะมองว่า "ใช้ AI ก็เพียงพอแล้ว" แต่หากไปทำระบบอัตโนมัติในจุดที่ผู้รับบริการคาดหวังให้มนุษย์เข้ามามีส่วนร่วม ก็อาจทำให้สูญเสียทุนทางความสัมพันธ์ไปโดยแลกกับตัวเลขประสิทธิภาพที่เพิ่มขึ้น ดังนั้น เมื่อต้องคัดแยกงานในส่วนที่ต้องติดต่อกับลูกค้า ขอแนะนำให้รวม "คุณค่าของการที่มนุษย์เป็นผู้รับผิดชอบ" เข้าไปในการคำนวณต้นทุนอย่างชัดเจนด้วย

คำถามที่สามคือ "ใครจะเป็นผู้ชี้แจงผลลัพธ์แก่ใคร และชี้แจงอย่างไร"

การตัดสินใจที่ส่งผลกระทบโดยตรงต่อสิทธิหรือผลประโยชน์ของบุคคล เช่น การจ้างงาน การให้สินเชื่อ หรือการประเมินผลงานนั้น นอกจากเรื่องต้นทุนจากความผิดพลาดแล้ว ยังจำเป็นต้องมีการเข้ามามีส่วนร่วมของมนุษย์จากมุมมองด้านความรับผิดชอบ (Accountability) อีกด้วย ตัวอย่างเช่น EU AI Act ซึ่งกำลังทยอยบังคับใช้ ได้กำหนดให้มีการกำกับดูแลโดยมนุษย์ (human oversight) สำหรับการใช้งาน AI ที่จัดอยู่ในกลุ่มความเสี่ยงสูง แม้แต่ในประเทศเอง กระบวนการทำงานที่ไม่สามารถอธิบายเหตุผลของการตัดสินใจได้ ก็จะไม่สามารถดำเนินการต่อไปได้ในสถานการณ์การตรวจสอบหรือการรับมือกับลูกค้า

ในทางปฏิบัติ ควรเตรียมระบบที่ไม่ใช้คำตอบว่า "AI เป็นผู้ตัดสิน" เป็นคำตอบสุดท้าย โดยต้องประกอบด้วย 3 ส่วน ได้แก่ การจัดเก็บประวัติการตัดสินใจ (Judgment Log), การระบุผู้รับผิดชอบให้ชัดเจน และการมีช่องทางให้มนุษย์สามารถทบทวนการตัดสินใจใหม่ได้เมื่อมีการโต้แย้ง สำหรับวิธีการกำหนดสิ่งเหล่านี้เป็นกฎระเบียบภายในองค์กร สามารถดูรายละเอียดเพิ่มเติมได้ที่ กรอบการกำกับดูแลในยุคเอเจนท์ (Agentic Governance Framework)

หากพิจารณาจากเกณฑ์การตัดสินใจ 3 ประการ โดยเลือกใช้ 2 แกนหลักคือ "ต้นทุนของความผิดพลาด" (Cost of Error) และ "คุณค่าของการเป็นมนุษย์" (Value of Human) จะสามารถจัดหมวดหมู่งานออกเป็น 4 จตุภาคได้ ส่วนแกนของ "ความรับผิดชอบ" (Accountability) ให้ใช้เป็นกฎการดำเนินงานที่นำมาปรับใช้หลังจากจัดหมวดหมู่เรียบร้อยแล้ว

บทสรุป: งานที่มีต้นทุนความผิดพลาดต่ำและมีคุณค่าความเป็นมนุษย์ต่ำ ให้มอบหมายแก่ AI, งานที่มีต้นทุนความผิดพลาดสูง ให้ใช้วิธีการทำงานร่วมกัน, และงานที่มีคุณค่าความเป็นมนุษย์สูง ให้มนุษย์เป็นผู้รับผิดชอบหลัก

สิ่งที่มักถูกมองข้ามคือจตุภาค C เนื่องจากต้นทุนความผิดพลาดต่ำ จึงดูเหมือนเป็นตัวเลือกสำหรับการทำระบบอัตโนมัติในตอนแรก แต่การสื่อสารหรือการสอนในชีวิตประจำวันนั้น การที่มนุษย์เป็นผู้ลงมือทำเองคือจุดเชื่อมต่อในการสร้างความเชื่อมั่น หากนำระบบอัตโนมัติมาใช้ในส่วนนี้ คุณภาพของความสัมพันธ์จะลดลงในจุดที่ตัวเลขประสิทธิภาพไม่สามารถสะท้อนออกมาได้ การให้ AI ทำหน้าที่เป็นเพียงผู้ช่วยร่างเนื้อหาหรือช่วยเตือนความจำจึงเป็นสิ่งที่เหมาะสมที่สุด

เคล็ดลับในการดำเนินงานคือ อย่ากำหนดผลลัพธ์การคัดแยกให้เป็นป้ายกำกับที่ตายตัว แม้จะเป็น "การจัดทำใบเสนอราคา" เหมือนกัน แต่จตุภาคอาจเปลี่ยนไปตามขนาดของจำนวนเงินหรือความสำคัญของลูกค้า การขีดเส้นแบ่งโดยมีเงื่อนไข เช่น "ใบเสนอราคาแบบมาตรฐานที่มียอดเงินไม่เกินกำหนด ให้จัดอยู่ในจตุภาค B เพื่อทำงานร่วมกับ AI ส่วนที่เกินจากนั้นให้จัดอยู่ในจตุภาค D เพื่อให้มนุษย์เป็นผู้รับผิดชอบ" จะช่วยให้หน้างานสามารถนำไปปฏิบัติได้ง่ายขึ้น

เมื่อมอบหมายงานใน A-quadrant ให้ AI คำว่า "มอบหมาย" ไม่ได้หมายถึง "การปล่อยปละละสิ่งที่ทำ" สิ่งที่ต้องออกแบบคือสภาพแวดล้อมในการทำงานและกลไกการตรวจสอบ

ประการแรกคือสภาพแวดล้อมในการทำงาน เพื่อให้ AI ทำงานได้อย่างเสถียร ต้องมีการเตรียมข้อมูลอ้างอิง จำกัดเครื่องมือและสิทธิ์การเข้าถึงที่ใช้ รวมถึงกำหนดเงื่อนไขการลองใหม่ (Retry) หรือเงื่อนไขการหยุดทำงานเมื่อเกิดข้อผิดพลาดไว้ล่วงหน้า แนวคิดเรื่อง "การเตรียมสภาพแวดล้อมเพื่อให้ AI ทำงานได้" นี้ สามารถศึกษาเพิ่มเติมได้จาก บทความอธิบายเรื่อง Harness Engineering

ประการต่อมาคือการตรวจสอบ แม้ไม่จำเป็นต้องให้มนุษย์ตรวจสอบทุกรายการ แต่ยังคงต้องมีการสุ่มตรวจและการเฝ้าติดตามตัวชี้วัดคุณภาพ (Quality Metrics) อัตราการสุ่มตรวจไม่ควรคงที่ แต่ควรปรับเปลี่ยนแบบไดนามิก โดยลดลงเมื่อคุณภาพงานเริ่มเสถียร และเพิ่มขึ้นชั่วคราวทันทีหลังจากมีการเปลี่ยนโมเดลหรือเนื้อหางาน บทบาทของมนุษย์หลังการทำระบบอัตโนมัติจะเปลี่ยนจาก "การลงมือปฏิบัติงาน" ไปสู่ "การตรวจสอบผลลัพธ์และการจัดการข้อยกเว้น" ซึ่งการเปลี่ยนแปลงเชิงคุณภาพของงานนี้ได้มีการอภิปรายไว้อย่างละเอียดใน บทความเรื่องการเปลี่ยนผ่านสู่บทบาทผู้ตรวจสอบ (Verification Shift) ยิ่งขอบเขตการมอบหมายงานกว้างขึ้นเท่าใด การออกแบบระบบตรวจสอบก็จะกลายเป็นงานหลักของฝั่งมนุษย์มากขึ้นเท่านั้น

ในรูปแบบการทำงานร่วมกันของ B-Quadrant สิ่งที่สำคัญที่สุดคือการออกแบบว่าจะให้มนุษย์เข้ามามีส่วนร่วมในขั้นตอนใด โดยมีทางเลือกหลัก 3 รูปแบบ ดังนี้:

1. แบบอนุมัติก่อน (Pre-approval): ให้มนุษย์อนุมัติข้อเสนอของ AI ก่อนดำเนินการ (เหมาะสำหรับการดำเนินการที่ไม่สามารถย้อนกลับได้)
2. แบบตรวจสอบภายหลัง (Post-review): ให้ AI ดำเนินการไปก่อน แล้วมนุษย์ค่อยมาตรวจสอบและแก้ไขในภายหลัง (เหมาะสำหรับการดำเนินการที่สามารถย้อนกลับได้)
3. แบบส่งต่อกรณีข้อยกเว้น (Exception Escalation): โดยปกติจะปล่อยให้เป็นหน้าที่ของ AI และจะส่งต่อให้มนุษย์เฉพาะในกรณีที่ AI มีความมั่นใจต่ำเท่านั้น

การเลือกว่าจะใช้รูปแบบใดนั้น ให้ยึดตาม "ความสามารถในการย้อนกลับได้" ซึ่งเป็นเกณฑ์การตัดสินใจข้อที่ 1 เป็นหลัก โดยรูปแบบพื้นฐานคือ หากเป็นการดำเนินการที่ไม่สามารถย้อนกลับได้ให้ใช้แบบอนุมัติก่อน หากย้อนกลับได้ให้ใช้แบบตรวจสอบภายหลัง และหากมีจำนวนงานมากและตรวจสอบความแม่นยำได้จากผลการดำเนินงานจริง ให้ใช้แบบส่งต่อกรณีข้อยกเว้น

หากออกแบบจุดเชื่อมต่อผิดพลาด จะนำไปสู่ปัญหาอย่างใดอย่างหนึ่ง คือการอนุมัติที่มากเกินไปจนทำให้กระบวนการล่าช้า หรือการอนุมัติที่น้อยเกินไปจนทำให้การตรวจสอบกลายเป็นเพียงพิธีกรรม เพื่อป้องกันไม่ให้การตรวจสอบกลายเป็นเพียงพิธีกรรม การใช้กลไกต่างๆ จะมีประสิทธิภาพ เช่น การระบุเหตุผลในการตัดสินใจของ AI และจุดที่ไม่แน่นอนให้ชัดเจนในหน้าจออนุมัติ, การกำหนดให้ผู้อนุมัติบันทึกเหตุผลในการปฏิเสธ, หรือการสุ่มแทรกข้อผิดพลาดจำลองเข้าไปเป็นระยะเพื่อวัดอัตราการตรวจพบ สำหรับภาพรวมของการออกแบบการทำงานร่วมกัน สามารถดูเพิ่มเติมได้ที่ บทความอธิบาย HITL

ความล้มเหลวในการแบ่งบทบาทหน้าที่สามารถสรุปได้เป็น 2 รูปแบบ คือ การคิดแบบเลือกได้อย่างใดอย่างหนึ่ง (Binary Thinking) และการอนุมัติที่เป็นเพียงพิธีกรรม (Formalization of Approval) ทั้งสองรูปแบบนี้สามารถหลีกเลี่ยงได้หากทราบล่วงหน้า

การถกเถียงเรื่องการนำ AI มาใช้มักจะถึงทางตันหากเริ่มต้นด้วยคำถามว่า "ควรเปลี่ยนงานนี้ให้เป็น AI หรือไม่?" หากพิจารณาโดยมองเป็นทางเลือกว่าจะทำหรือไม่ทำในระดับกระบวนการทำงาน (Business Process) มักจะจบลงที่สองกรณี คือการยกเลิกการทำระบบอัตโนมัติทั้งหมดเพียงเพราะมีงานบางส่วนที่มีความเสี่ยงสูง หรือในทางกลับกัน คือการทำระบบอัตโนมัติแบบหว่านแหกับงานทั้งหมดเพียงเพราะมีงานประจำบางส่วนที่ทำได้

วิธีแก้ไขนั้นเรียบง่าย คือการลดหน่วยของการตัดสินใจจากระดับ "กระบวนการทำงาน" ลงมาเป็น "งานย่อย" (Task) ตัวอย่างเช่น หากเป็น "การตอบรับคำถาม" สามารถแยกย่อยออกเป็นงานประมาณ 6 อย่าง ได้แก่ การรับเรื่อง, การจำแนกประเภท, การร่างคำตอบ, การส่งคำตอบ, การยกระดับเรื่องร้องเรียน และการอัปเดตฐานความรู้ ทันทีที่เราแยกส่วนงานออกมาได้ เช่น ให้ AI รับหน้าที่จำแนกประเภทและร่างคำตอบ, ให้มนุษย์ตรวจสอบการส่งคำตอบโดยมีเงื่อนไขเรื่องจำนวนเงินหรือการแสดงอารมณ์, และให้มนุษย์จัดการเรื่องร้องเรียน การอภิปรายก็จะสามารถเดินหน้าต่อไปได้

หากแยกกระบวนการทำงานออกเป็นงานย่อยประมาณ 10 อย่าง แล้วจัดกลุ่มงานแต่ละอย่างลงใน 4 ช่อง (4 Quadrants) เราจะสามารถเห็นภาพที่ชัดเจนและเป็นจริงได้ว่า "กระบวนการนี้สามารถให้ AI รับผิดชอบงานได้ 70% แต่ต้องเหลือการตัดสินใจ 2 อย่างนี้ไว้ให้มนุษย์" โดยเกณฑ์ความละเอียดในการแยกย่อยงานที่เหมาะสมคือ "หน่วยงานที่สามารถส่งต่องานให้ผู้อื่นทำแทนได้แม้ผู้รับผิดชอบจะเปลี่ยนไปก็ตาม"

ความผิดพลาดที่พบบ่อยที่สุดในการออกแบบระบบที่ทำงานร่วมกัน (Collaborative Design) คือการที่กระบวนการอนุมัติกลายเป็นเพียงพิธีกรรมที่ไร้ความหมาย การวางขั้นตอนให้มนุษย์ตรวจสอบทำให้เกิดความรู้สึกวางใจจนเกินไป จนในความเป็นจริงผลลัพธ์จาก AI มักจะผ่านการอนุมัติไปโดยแทบไม่มีการตรวจสอบ เบื้องหลังของเรื่องนี้คือลักษณะทางพุทธิปัญญาที่เรียกว่า อคติจากการทำงานอัตโนมัติ (Automation Bias) ซึ่งทำให้คนเราเชื่อมั่นในผลลัพธ์จาก AI มากเกินไป (ดูรายละเอียดเพิ่มเติมได้ที่ บทความอธิบายเรื่องอคติจากการทำงานอัตโนมัติ)

สัญญาณเตือนจะปรากฏให้เห็นในข้อมูล เช่น อัตราการอนุมัติที่สูงคงที่ตลอดเวลา, ระยะเวลาในการอนุมัติที่เท่ากันโดยไม่ขึ้นอยู่กับความซับซ้อนของเนื้อหา, หรือการที่ช่องบันทึกเหตุผลในการปฏิเสธว่างเปล่า สิ่งเหล่านี้ถือเป็นสัญญาณบ่งชี้ว่ากระบวนการตรวจสอบไม่ได้ทำหน้าที่ของมันอย่างแท้จริง

วิธีหลีกเลี่ยงคือการออกแบบโดยมุ่งเน้นไปที่การลดภาระของผู้มีอำนาจอนุมัติควบคู่ไปกับการรักษาความใส่ใจ เช่น การยกเลิกการอนุมัติทุกรายการแล้วเปลี่ยนไปเน้นเฉพาะกรณีที่มีความเสี่ยงสูง, การให้ AI แสดงระดับความมั่นใจในผลลัพธ์ของตนเองเพื่อให้ตรวจสอบเฉพาะรายการที่มีความมั่นใจต่ำ, หรือการสุ่มตรวจซ้ำเป็นระยะ ซึ่งเป็นทางเลือกที่สามารถนำไปปฏิบัติได้จริง

ขั้นตอนในการนำเกณฑ์การตัดสินใจและกรอบแนวคิด (Framework) ที่กล่าวมาข้างต้นไปประยุกต์ใช้ในโครงการจริง มีดังนี้

1. ย่อยงานออกเป็นงานย่อย (Task) — แบ่งงานเป้าหมายออกเป็นประมาณ 10 งานย่อย พร้อมระบุข้อมูลนำเข้า (Input), ผลลัพธ์ (Output) และผู้ที่เกี่ยวข้อง
2. ประเมินด้วยเกณฑ์การตัดสินใจ 3 ประการ — ประเมินแต่ละงานย่อยด้วยเกณฑ์ "ต้นทุนของความผิดพลาด (Cost of Error)", "คุณค่าของการเป็นมนุษย์ (Value of Human)" และ "ความรับผิดชอบที่อธิบายได้ (Accountability)" โดยให้ระดับเป็นสูงหรือต่ำ ทั้งนี้ ให้ความสำคัญกับการสร้างความเข้าใจที่ตรงกันระหว่างผู้เกี่ยวข้องมากกว่าความสมบูรณ์แบบของการประเมิน
3. จัดวางลงใน 4 Quadrant เพื่อกำหนดวิธีการมอบหมายงานเบื้องต้น — สำหรับงานที่ยังลังเล ให้วางไว้ในฝั่งที่ปลอดภัย (ฝั่งที่มนุษย์มีส่วนร่วมสูง) ก่อนเริ่มดำเนินการ
4. ทดลองทำในสเกลเล็กและเฝ้าสังเกต — เริ่มต้นจากการดำเนินงานเพียง 1-2 งานย่อย โดยวัดผลไม่เพียงแค่ความแม่นยำ แต่รวมถึงประสิทธิผลของการอนุมัติ (อัตราการอนุมัติ, เหตุผลในการปฏิเสธ) และการเปลี่ยนแปลงของจำนวนชั่วโมงการทำงาน สำหรับการออกแบบการวัดผล สามารถอ้างอิงได้จาก คู่มือการวัด ROI ของ AI Agent
5. ทบทวนขอบเขตงานอย่างสม่ำเสมอ — ประสิทธิภาพของโมเดล, กฎระเบียบ และความเชี่ยวชาญขององค์กรมีการเปลี่ยนแปลงอยู่ตลอดเวลา ควรทบทวนการจัดวางใน Quadrant ทุกไตรมาส เพื่อตรวจสอบว่ามีงานใดที่สามารถย้ายไปให้ AI ทำได้มากขึ้น หรือในทางกลับกัน มีงานใดที่ควรดึงกลับมาให้มนุษย์ทำหรือไม่

การแบ่งบทบาทหน้าที่ไม่ใช่กฎตายตัวที่กำหนดครั้งเดียวแล้วจบ แต่เป็นกระบวนการดำเนินงานที่ตั้งอยู่บนพื้นฐานของการเฝ้าสังเกตและทบทวนอย่างต่อเนื่อง

ได้รวบรวมคำถามที่พบบ่อยในขั้นตอนการพิจารณาเกี่ยวกับการแบ่งบทบาทหน้าที่ระหว่าง AI กับมนุษย์ไว้ดังนี้

โดยพื้นฐานแล้ว ควรแบ่งงานออกเป็นหน่วยย่อยๆ และประเมินโดยใช้ 3 แกนหลัก ได้แก่ "ต้นทุนของความผิดพลาด" (Cost of error), "คุณค่าของการเป็นมนุษย์" (Human value), และ "ความรับผิดชอบที่อธิบายได้" (Accountability) หากต้นทุนของความผิดพลาดต่ำและคุณค่าของมนุษย์ต่ำ ให้มอบหมายงานนั้นแก่ AI หากต้นทุนของความผิดพลาดสูง ให้ใช้รูปแบบการทำงานร่วมกัน (Collaborative) โดยมีมนุษย์เป็นผู้ตรวจสอบ และหากคุณค่าของการเป็นมนุษย์สูง ให้มนุษย์เป็นผู้รับผิดชอบหลัก หากไม่แน่ใจ วิธีที่ปลอดภัยที่สุดคือเริ่มจากงานที่มนุษย์มีส่วนร่วมสูงก่อน แล้วค่อยๆ ขยายขอบเขตการมอบหมายงานตามผลลัพธ์ที่เกิดขึ้นจริง หากมีงานที่ตัดสินใจยากอยู่หลายอย่าง ให้ลองคัดแยกงานเพียง 1 กระบวนการก่อน เพื่อให้เข้าใจเกณฑ์มาตรฐานที่เหมาะสมกับบริษัทของตนเองได้อย่างรวดเร็ว

หากการแบ่งบทบาทหน้าที่คือการออกแบบในระดับบนว่า "งานใดควรจัดการด้วยรูปแบบใด" HITL ก็คือระเบียบวิธีที่เป็นรูปธรรมสำหรับการนำรูปแบบการทำงานร่วมกัน (Collaborative) ไปใช้งานจริง กล่าวคือ ทั้งสองสิ่งนี้ไม่ใช่แนวคิดที่ขัดแย้งกัน แต่มีความสัมพันธ์เชิงลำดับชั้น โดยการออกแบบ HITL คือการกำหนดว่าจะให้มนุษย์เข้ามามีส่วนร่วมในรูปแบบใด ทั้งการอนุมัติล่วงหน้า (Pre-approval), การตรวจสอบภายหลัง (Post-review) หรือการส่งต่อกรณีพิเศษ (Exception escalation) สำหรับงานที่ถูกกำหนดไว้ในการแบ่งบทบาทหน้าที่ว่าเป็นแบบ "ทำงานร่วมกัน" สามารถดูรายละเอียดเพิ่มเติมได้ที่ บทความอธิบาย HITL

จำเป็นอย่างยิ่ง ยิ่งองค์กรที่มีจำนวนคนน้อย ยิ่งมีโอกาสเกิดการ "มอบหมายงานมากเกินไป" โดยไม่รู้ตัวได้ง่าย เนื่องจากคนหนึ่งคนต้องรับผิดชอบหลายหน้าที่ที่มีต้นทุนความผิดพลาดแตกต่างกัน อย่างไรก็ตาม ไม่จำเป็นต้องสร้างระบบขนาดใหญ่ เพียงแค่ลองเขียนรายการงานหลักออกมาแล้ววางลงในตาราง 4 ช่อง (4 Quadrant) ก็จะช่วยให้เกิดความเข้าใจที่ตรงกันว่าส่วนใดควรทำเป็นระบบอัตโนมัติและส่วนใดควรให้มนุษย์ทำ สำหรับองค์กรที่มีการควบตำแหน่งหลายหน้าที่ เพียงแค่กำหนดว่า "ใครจะเป็นผู้ตรวจสอบขั้นสุดท้าย" ก่อน ก็ถือว่ามีประสิทธิภาพแล้ว ขอแนะนำให้เริ่มจากการทำบัญชีรายการงาน (Task Inventory) ของ 1 งานต่อ 1 สัปดาห์เป็นอันดับแรก

การแบ่งบทบาทระหว่าง AI กับมนุษย์ไม่ใช่การตัดสินใจโดยดูว่า "AI ทำอะไรได้บ้าง" แต่เป็นการตัดสินใจเชิงบริหารที่พิจารณาจาก "ต้นทุนของความผิดพลาด คุณค่าของการเป็นมนุษย์ และความรับผิดชอบที่อธิบายได้" การย่อยงานออกเป็นส่วนๆ การจัดกลุ่มลงใน 4 ช่อง (4 Quadrants) การทดลองทำในสเกลเล็ก และการปรับเส้นแบ่งงานอย่างต่อเนื่อง วงจรการดำเนินงานนี้เองคือหัวใจสำคัญของการออกแบบงานในยุค AI

สามารถศึกษาหัวข้อที่เกี่ยวข้องเพิ่มเติมได้จากบทความต่อไปนี้:

• Nostalgic Jobs คืออะไร? — ตัวตนของงานที่ยังคงต้องใช้มนุษย์
• คู่มือรับมือ Automation Bias — กลไกของการอนุมัติที่เป็นเพียงพิธีกรรม
• Human-in-the-Loop (HITL) — การนำระบบความร่วมมือไปใช้งานจริง
• Harness Engineering — วิธีการสร้างสภาพแวดล้อมเพื่อมอบหมายงานให้ AI

หากท่านต้องการความช่วยเหลือในการจัดกลุ่มงานภายในองค์กรหรือการออกแบบเพื่อนำ AI Agent มาใช้งาน สามารถปรึกษาเราได้ผ่านทาง หน้าติดต่อเรา