วิธีจ้างงานและพัฒนาบุคลากรด้าน AI ในไทย ตั้งแต่การกำหนดทักษะไปจนถึงระบบการประเมินผล

วิธีจ้างงานและพัฒนาบุคลากรด้าน AI ในไทย ตั้งแต่การกำหนดทักษะไปจนถึงระบบการประเมินผล

บทนำ

การจะสรรหาบุคลากรเพื่อขับเคลื่อนการใช้ AI ในฐานการผลิตที่ประเทศไทย จำเป็นต้องมีการกำหนดวัตถุประสงค์และขอบเขตงานให้ชัดเจน จากนั้นจึงออกแบบการกำหนดทักษะ เกณฑ์การคัดเลือก แผนการพัฒนา และระบบการประเมินผลให้เป็นกระบวนการเดียวกัน บทความนี้จัดทำขึ้นสำหรับฝ่ายทรัพยากรบุคคลและผู้รับผิดชอบด้าน DX ของบริษัทญี่ปุ่นที่มีฐานการผลิตในประเทศไทย โดยจะสรุปขั้นตอนการปฏิบัติงานตั้งแต่การกำหนดทักษะใน Step 1 ไปจนถึงเกณฑ์การคัดเลือกและกระบวนการสรรหาใน Step 2 แผนการพัฒนาใน Step 3 และระบบการประเมินผลใน Step 4 เมื่ออ่านจบ คุณจะสามารถนำความต้องการด้านบุคลากร AI ของบริษัทไปจัดทำเป็นตารางความคาดหวังตามตำแหน่งงาน และมีจุดเริ่มต้นในการออกแบบระบบที่สามารถบริหารจัดการตั้งแต่การสรรหา การพัฒนา ไปจนถึงการประเมินผลได้อย่างสอดคล้องกัน

ก่อนที่จะกำหนดคำนิยามของทักษะและเกณฑ์การจ้างงาน จำเป็นต้องระบุให้ชัดเจนก่อนว่าบริษัทจะนำ AI มาใช้เพื่อวัตถุประสงค์ใดและในขอบเขตงานใด หากกำหนดคุณสมบัติของบุคลากรโดยที่วัตถุประสงค์และขอบเขตยังไม่ชัดเจน จะส่งผลให้บทบาทหน้าที่กับงานปฏิบัติจริงไม่สอดคล้องกันหลังจากรับเข้าทำงาน และแผนการพัฒนาบุคลากรก็จะผิดเป้าหมายไปด้วย

กำหนดวัตถุประสงค์ในการใช้ AI ให้ชัดเจน

ไม่ว่าเป้าหมายจะเป็นการเพิ่มประสิทธิภาพการทำงาน การสร้างบริการใหม่ หรือการปรับปรุงคุณภาพ บุคลากรที่จำเป็นต้องใช้จะแตกต่างกันอย่างมาก หากเป้าหมายคือการเพิ่มประสิทธิภาพการทำงาน บุคลากรหลักที่ต้องการคือผู้ที่สามารถรับผิดชอบงานด้านการทำระบบอัตโนมัติของงานเดิมที่มีอยู่ หรือเพิ่มความแม่นยำให้กับกระบวนการที่เป็นมาตรฐานได้ แต่หากเป้าหมายคือการสร้างบริการใหม่ จะต้องใช้บุคลากรที่สามารถวางแผนและสร้างโมเดลหรือผลิตภัณฑ์ใหม่ๆ ขึ้นมาได้ หากดำเนินการสรรหาบุคลากรโดยไม่ได้ระบุความแตกต่างนี้ให้ชัดเจน จะส่งผลให้การกำหนดทักษะและเกณฑ์การคัดเลือกในขั้นตอนถัดไปไม่สอดคล้องกับวัตถุประสงค์ที่ตั้งไว้

ในการกำหนดวัตถุประสงค์ ควรระบุองค์ประกอบ 3 ประการควบคู่กันไปเพื่อให้มีความชัดเจนยิ่งขึ้น ได้แก่ "กลุ่มผู้ใช้งาน" ที่จะได้รับประโยชน์จากผลลัพธ์, "ระดับความเชี่ยวชาญ" ที่ต้องการ และ "ข้อกำหนดด้านธรรมาภิบาล" โดยข้อกำหนดด้านธรรมาภิบาลหมายถึงวิธีการจัดการข้อมูลและข้อจำกัดทางจริยธรรม หากเป็นงานที่จำเป็นต้องปฏิบัติตาม PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย) ก็จำเป็นต้องรวมความรู้ด้านการจัดการข้อมูลไว้ในคุณสมบัติของบุคลากรด้วย

การแยกย่อยวัตถุประสงค์ไม่ควรทำเพียงครั้งเดียวแล้วจบไป แต่ควรย้อนกลับมาตรวจสอบในขั้นตอนการออกแบบขอบเขตงานและเกณฑ์การประเมินด้วย ตัวอย่างเช่น หากเป้าหมายคือ "การเพิ่มประสิทธิภาพในการดูแลลูกค้า" ให้เขียนทั้งสามองค์ประกอบออกมาเป็นข้อๆ ได้แก่ กลุ่มผู้ใช้งานคือพนักงานปฏิบัติการภายในองค์กร, ระดับความเชี่ยวชาญคือระดับการปฏิบัติงานจริง และข้อกำหนดด้านธรรมาภิบาลคือการทำข้อมูลลูกค้าให้เป็นข้อมูลนิรนาม การเขียนรายละเอียดเหล่านี้ไว้จะช่วยให้การสร้างเกณฑ์การสรรหาในภายหลังเป็นไปอย่างราบรื่น

ในกรณีที่มีหลายวัตถุประสงค์พร้อมกัน แทนที่จะเลือกจัดลำดับความสำคัญเพียงอย่างเดียว การสร้างชุดข้อมูลของกลุ่มผู้ใช้งาน ระดับความเชี่ยวชาญ และข้อกำหนดด้านธรรมาภิบาลแยกตามแต่ละวัตถุประสงค์จะเป็นวิธีที่มีประสิทธิภาพมากกว่า แม้ในกรณีที่หนึ่งวัตถุประสงค์มีหลายงานที่เกี่ยวข้อง การแยกเขียนองค์ประกอบทั้งสามนี้ตามหน่วยงานจะช่วยลดความคลาดเคลื่อนในการรับรู้ระหว่างแผนกที่รับผิดชอบว่า "กำลังสร้างอะไร เพื่อใคร" นอกจากนี้ การไม่สรุปการกำหนดวัตถุประสงค์ด้วยฝ่ายบุคคลเพียงฝ่ายเดียว แต่ต้องผ่านการเห็นชอบจากผู้รับผิดชอบหน้างานก่อนที่จะดำเนินการตั้งขอบเขตงานในขั้นตอนถัดไปนั้นถือเป็นสิ่งที่ขาดไม่ได้

กำหนดขอบเขตงานที่เกี่ยวข้อง

ขอบเขตงานควรจำแนกตามประเภทของงาน เช่น 「การสนับสนุนและระบบอัตโนมัติในการตัดสินใจ」「การบริการลูกค้า」「แบบจำลองการพยากรณ์」 และ 「การประมวลผลภาพ」 โดยการกำหนดดัชนีชี้วัดผลงาน (KPI) ให้กับแต่ละประเภทจะช่วยให้ระบุคุณสมบัติของบุคลากรได้ง่ายขึ้น แนวคิดในการจัดระเบียบโดยจับคู่ระหว่างงานกับความสามารถที่จำเป็นถือเป็นวิธีการทั่วไปในการแปลงขอบเขตงานให้เป็นคุณสมบัติของบุคลากร หากไม่แบ่งงานให้ชัดเจนและกำหนดขอบเขตเพียงแค่ว่าต้องการ 「บุคลากรที่ใช้ AI เป็น」 จะทำให้ไม่สามารถระบุได้ว่าทักษะที่ต้องการนั้นมีไว้เพื่อการประมวลผลภาพหรือการบริการลูกค้า ส่งผลให้ไม่สามารถสร้างเกณฑ์การคัดเลือกบุคลากรได้

นอกจากการจำแนกตามประเภทงานแล้ว จำเป็นต้องรวมข้อกำหนดด้านข้อมูลและโครงสร้างพื้นฐาน เช่น แหล่งที่มาของข้อมูล สิทธิ์การเข้าถึง และความเป็นส่วนตัว ไว้ในนิยามของขอบเขตงานด้วย ตัวอย่างเช่น หากเป้าหมายคือการทำระบบอัตโนมัติสำหรับการบริการลูกค้า ความรู้ที่บุคลากรต้องมีในการจัดการข้อมูลหรือความเข้าใจเชิงลึกเกี่ยวกับ PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย) จะแตกต่างกันไปตามแหล่งข้อมูลที่ใช้ ว่าเป็นฐานข้อมูลลูกค้าภายในองค์กรหรือเป็นเพียงข้อมูลที่เปิดเผยต่อสาธารณะ หากเป็นงานด้านแบบจำลองการพยากรณ์ การรวมความถี่ในการอัปเดตข้อมูลการเรียนรู้และวิธีการตรวจสอบความแม่นยำไว้ในนิยามของขอบเขตงาน จะช่วยให้การสร้างเกณฑ์การประเมินในภายหลังทำได้ง่ายขึ้น

การกำหนดขอบเขตงานควรทำในระดับเดียวกับการแปลงเป้าหมายให้เป็นภาษาที่เข้าใจได้เพื่อให้เกิดความสอดคล้องกัน หากหนึ่งเป้าหมายประกอบด้วยหลายงาน สิ่งสำคัญคือต้องแยกเขียนดัชนีชี้วัดผลงานและข้อกำหนดด้านข้อมูลสำหรับแต่ละงานให้ชัดเจน และระบุให้แน่ชัดว่าใครจะเป็นผู้รับผิดชอบงานใดก่อนที่จะดำเนินการกำหนดทักษะในขั้นตอนถัดไป หากแบ่งงานหยาบเกินไป อาจทำให้งานที่ต้องใช้ทักษะต่างกันไปรวมอยู่ในรายละเอียดงาน (Job Description) เดียวกัน ดังนั้นจึงควรแบ่งงานให้ละเอียดอย่างน้อยที่สุดจนถึงระดับที่ดัชนีชี้วัดผลงานมีความแตกต่างกัน

ขั้นตอนที่ 1: การกำหนดทักษะที่ต้องการสำหรับบุคลากรด้าน AI

ขั้นตอนที่ 1: การกำหนดทักษะที่ต้องการสำหรับบุคลากรด้าน AI

เมื่อกำหนดขอบเขตงานและงานที่ต้องทำได้แล้ว ให้แยกทักษะที่จำเป็นสำหรับแต่ละส่วนออกเป็น 3 องค์ประกอบ ได้แก่ "ความรู้" "ทักษะการปฏิบัติ" และ "ทัศนคติ" การนำความสามารถทางเทคนิคและความเข้าใจในงานมารวมไว้ในคำบรรยายลักษณะงาน (Job Description) เพียงฉบับเดียว จะทำให้เกณฑ์การคัดเลือกและการวางแผนพัฒนาบุคลากรเบี่ยงเบนจากเป้าหมายได้ง่าย ดังนั้น การแยกนิยามตามองค์ประกอบจึงเป็นจุดเริ่มต้นที่สำคัญ

การแยกทักษะทางเทคนิคและความเข้าใจในธุรกิจ

ทักษะทางเทคนิค (Technical Skills) หมายถึงการปฏิบัติงานจริงที่เกี่ยวข้องกับตัวโมเดลโดยตรง เช่น การประมวลผลข้อมูลด้วย Python การสร้างโมเดล และการออกแบบตัวชี้วัดการประเมินผล ส่วนความเข้าใจในธุรกิจ (Business Understanding) หมายถึงความสามารถในการเข้าใจการออกแบบ KPI ของธุรกิจนั้นๆ กระบวนการตัดสินใจของหน้างาน และขั้นตอนการทำงานเฉพาะของสาขาในประเทศไทย ซึ่งทั้งสองส่วนนี้จำเป็นต้องได้รับการประเมินแยกจากกัน หากจ้างบุคลากรที่เก่งเพียงด้านใดด้านหนึ่ง อาจนำไปสู่สถานการณ์ที่สามารถสร้างโมเดลที่มีความแม่นยำสูงได้แต่ไม่สามารถนำไปใช้งานจริงในธุรกิจได้ หรือในทางกลับกัน คือมีความรู้ทางธุรกิจแต่ต้องพึ่งพาบุคคลภายนอกในการลงมือปฏิบัติงานจริงอยู่เสมอ

ในการจัดทำรายละเอียดงาน (Job Description) ให้แยกเขียนรายการทักษะทางเทคนิค เช่น "การเตรียมข้อมูลด้วย Python" และ "การเลือกตัวชี้วัดการประเมินโมเดล" ออกจากรายการความเข้าใจในธุรกิจ เช่น "การตั้งค่า KPI สำหรับงานที่เกี่ยวข้อง" และ "การปรับจูนความต้องการร่วมกับแผนกหน้างาน" แนวคิดนี้สอดคล้องกับการจำแนกทักษะของ OECD ที่แบ่งนิยามของความรู้ ทักษะเชิงปฏิบัติ และทัศนคติออกจากกัน การไม่นำทักษะทางเทคนิคและความเข้าใจในธุรกิจมาปะปนกันจึงเป็นวิธีที่สอดคล้องกับหลักการดังกล่าว

การแยกทั้งสองด้านออกจากกันจะช่วยให้ระบุได้ง่ายขึ้นว่าผู้สมัครขาดทักษะด้านใดในระหว่างการสรรหา หากผู้สมัครมีผลทดสอบทางเทคนิคสูงแต่ได้คะแนนต่ำในกรณีศึกษาที่วัดความเข้าใจทางธุรกิจ เราสามารถตัดสินใจวางแผนการพัฒนาหลังเข้าทำงานโดยเน้นไปที่การเสริมสร้างความเข้าใจทางธุรกิจเป็นหลัก ในทางกลับกัน หากผู้สมัครมีความเข้าใจทางธุรกิจสูงแต่ยังมีความกังวลในผลทดสอบทางเทคนิคด้านการเขียนโค้ดพื้นฐานหรือการเลือกตัวชี้วัดการประเมินผล ก็ให้จัดสรรแผนการพัฒนาโดยให้ความสำคัญกับการฝึกอบรมด้านเทคนิคก่อน

การแบ่งแยกเช่นนี้จำเป็นต้องปรับเปลี่ยนน้ำหนักตามระดับตำแหน่งงาน โดยให้ความสำคัญกับทักษะทางเทคนิคมากขึ้นสำหรับสมาชิกที่รับผิดชอบด้านการลงมือปฏิบัติ และให้ความสำคัญกับความเข้าใจทางธุรกิจและการปฏิบัติตามหลักธรรมาภิบาลมากขึ้นสำหรับตำแหน่งผู้นำทีม หากเชื่อมโยงสิ่งนี้เข้ากับการออกแบบความคาดหวังตามประเภทงานและระดับตำแหน่ง จะช่วยให้เกณฑ์การคัดเลือกและการวางแผนพัฒนาบุคลากรมีทิศทางที่ชัดเจนและไม่สั่นคลอน

การแบ่งความคาดหวังตามตำแหน่งงานและระดับ

หลังจากแบ่งคำบรรยายลักษณะงานออกเป็นทักษะทางเทคนิคและความเข้าใจในธุรกิจแล้ว ขั้นตอนต่อไปคือการจัดระเบียบความคาดหวังที่แตกต่างกันไปตามบทบาทหน้าที่แม้จะเป็นงานประเภทเดียวกันก็ตาม ในทางปฏิบัติ หากแบ่งระดับชั้นภายในองค์กร จะช่วยให้สามารถนำไปปรับใช้กับทั้งเกณฑ์การรับสมัครงานและแผนการพัฒนาบุคลากรได้ง่ายขึ้น

ในทางปฏิบัติ เราจะแบ่งระดับความคาดหวังออกเป็น 4 ระดับ ได้แก่ AI User, Applied Data Analyst, ML Engineer และ Lead AI Engineer

ระดับความคาดหวังด้านทักษะทางเทคนิคความคาดหวังด้านความเข้าใจในธุรกิจ
AI Userการใช้งานเครื่องมือที่มีอยู่, การอ่านผลลัพธ์ความเข้าใจในขั้นตอนการทำงานของแผนกตนเอง
Applied Data Analystการเตรียมข้อมูล, การประเมินโมเดลเบื้องต้นการมีส่วนร่วมในการออกแบบ KPI
ML Engineerการสร้างและติดตั้งโมเดล, การออกแบบตัวชี้วัดการประเมินการประสานงานความต้องการกับหลายแผนก
Lead AI Engineerการกำกับดูแลการใช้งานโมเดลหลายตัวการออกแบบเพื่อให้เป็นไปตามหลักธรรมาภิบาล, การตัดสินใจลำดับความสำคัญระหว่างแผนก

ตารางนี้ถูกสร้างขึ้นโดยเชื่อมโยงกับขอบเขตงานที่กำหนดไว้ตามแต่ละงาน หากตำแหน่งงานหนึ่งมีหลายงานที่เกี่ยวข้อง การระบุหมายเหตุไว้ในคำบรรยายลักษณะงานว่าความคาดหวังจะเปลี่ยนไปตามแต่ละงาน จะช่วยให้คำถามในการสัมภาษณ์งานและจุดเน้นของแผนการพัฒนาบุคลากรมีความชัดเจนยิ่งขึ้น

ขั้นตอนที่ 2: การออกแบบเกณฑ์การคัดเลือกและกระบวนการสรรหา

ขั้นตอนที่ 2: การออกแบบเกณฑ์การคัดเลือกและกระบวนการสรรหา

ทักษะทางเทคนิคและความเข้าใจในเนื้องานที่กำหนดไว้ในคำบรรยายลักษณะงาน (Job Description) จะต้องได้รับการตรวจสอบแยกกันในแต่ละขั้นตอนของกระบวนการคัดเลือก เพื่อให้สามารถระบุผู้สมัครที่ตรงกับความคาดหวังของแต่ละตำแหน่งได้อย่างแม่นยำ คุณจำเป็นต้องออกแบบล่วงหน้าว่าจะประเมินสิ่งใดในแต่ละขั้นตอน ตั้งแต่การคัดเลือกเอกสาร การทดสอบทางเทคนิค ไปจนถึงการสัมภาษณ์ โดยต้องคำนึงถึงเงื่อนไขเฉพาะของแต่ละพื้นที่ประกอบด้วย

จุดที่ควรตรวจสอบในการจ้างงานในท้องถิ่น

ช่วงเงินเดือนสามารถตรวจสอบได้จากเอกสารต้นทุนแรงงานในหัวข้อ "Costs of Doing Business" ที่เผยแพร่โดย BOI (คณะกรรมการส่งเสริมการลงทุนแห่งประเทศไทย) โดยข้อมูลล่าสุดระบุว่า Data Scientist ในระดับสูงจะมีเงินเดือนอ้างอิงอยู่ที่ประมาณ 120,000–200,000 บาทต่อเดือน ในขั้นตอนการกำหนดเกณฑ์การจ้างงาน วิธีปฏิบัติที่เหมาะสมคือการใช้ช่วงเงินเดือนที่เผยแพร่นี้เป็นฐาน แล้วปรับเปลี่ยนตามจำนวนปีประสบการณ์ ขอบเขตงานที่รับผิดชอบ และสถานที่ปฏิบัติงานของผู้สมัคร เนื่องจากช่วงเงินเดือนของ Applied Data Analyst, ML Engineer และ Lead AI Engineer มีความแตกต่างกันมาก จึงจำเป็นต้องจัดทำงบประมาณควบคู่ไปกับตารางความคาดหวังในแต่ละตำแหน่ง ทั้งนี้ เนื่องจากเนื้อหาในเอกสารดังกล่าวมีการอัปเดตตามปีที่เผยแพร่ ดังนั้นเมื่อกำหนดเกณฑ์การจ้างงาน จึงจำเป็นต้องตรวจสอบปีที่ออกเอกสารและตรวจสอบให้แน่ใจว่าเป็นเวอร์ชันล่าสุด

สำหรับเงื่อนไขการจ้างงาน เอกสารของ BOI ได้ระบุสรุปเกณฑ์การจ่ายค่าตอบแทนพิเศษสำหรับการทำงานในวันหยุด การทำงานกะดึก และการทำงานล่วงเวลาไว้ด้วย เนื่องจากโครงการ AI มักมีภาระงานหนาแน่นก่อนถึงกำหนดส่ง หากคาดการณ์ว่าจะมีการทำงานล่วงเวลาหรือการทำงานในวันหยุด ควรตรวจสอบเกณฑ์การจ่ายค่าตอบแทนเหล่านี้ก่อนนำเสนอเงื่อนไขการจ้างงาน เพื่อให้มั่นใจว่าเนื้อหาในสัญญาจ้างงานมีความสอดคล้องกัน

ในการจ้างงานในท้องถิ่น นอกจากระดับทักษะทางเทคนิคแล้ว จำเป็นต้องรวมเกณฑ์การคัดเลือกด้านภาษา ทั้งภาษาไทยและภาษาอังกฤษสำหรับการประเมินความเข้าใจในงานและการสื่อสารภายในองค์กรไว้ด้วย หากเป็นตำแหน่งที่ต้องประสานงานกับผู้รับผิดชอบฝั่งญี่ปุ่นบ่อยครั้ง การระบุเงื่อนไขด้านภาษาไว้ในหัวข้อการประเมินความเข้าใจในงานและตรวจสอบแยกต่างหากจากการทดสอบทางเทคนิค จะช่วยป้องกันปัญหาความไม่สอดคล้องหลังการจ้างงานได้

เกณฑ์การตัดสินใจในการสัมภาษณ์และการทดสอบปฏิบัติ

การตรวจสอบทักษะทางเทคนิคทำได้อย่างมีประสิทธิภาพที่สุดในขั้นตอนที่ให้ผู้สมัครลงมือเขียนโค้ดจริง โดยเลือกใช้วิธีใดวิธีหนึ่งระหว่างการทดสอบเขียนโค้ดด้วย Python หรือ SQL, การสาธิตการเตรียมข้อมูล (Data Preprocessing), หรือการมอบหมายงานประเมินโมเดลกลับไปทำที่บ้าน เพื่อใช้พิจารณาจากโค้ดที่ผู้สมัครเขียนขึ้นจริง การเพียงแค่ตอบปากเปล่าว่า "มีประสบการณ์" นั้นไม่เพียงพอที่จะตรวจสอบเหตุผลในการเลือกตัวชี้วัดการประเมินหรือเกณฑ์ในการตัดสินใจเรื่องการเตรียมข้อมูลได้ ดังนั้นจึงจำเป็นต้องมีโจทย์ที่ให้ผู้สมัครได้ลงมือปฏิบัติจริงอย่างน้อยหนึ่งอย่าง

ในการสัมภาษณ์แบบกรณีศึกษา (Case Interview) เราจะให้ความสำคัญกับการเชื่อมโยงเข้ากับงานจริงมากกว่าความถูกต้องทางเทคนิค โดยให้ผู้สมัครอธิบายตั้งแต่การกำหนดปัญหาไปจนถึงการออกแบบตัวชี้วัดการประเมินด้วยคำพูดของตนเอง และดูว่าสามารถตอบได้หรือไม่ว่า "เมื่อความแม่นยำของโมเดลนี้เพิ่มขึ้น จะส่งผลให้ KPI ทางธุรกิจตัวใดดีขึ้น" หากผู้สมัครไม่สามารถเชื่อมโยงส่วนนี้ได้ แม้จะมีทักษะทางเทคนิคสูง ก็ถือเป็นปัจจัยที่ทำให้คะแนนประเมินลดลงสำหรับตำแหน่งระดับ Applied Data Analyst ขึ้นไป

สำหรับการตรวจสอบทักษะด้านการนำไปใช้งานและการดำเนินงาน (Implementation & Operation) เราจะไม่หยุดอยู่แค่การสร้างโมเดล แต่จะสอบถามถึงประสบการณ์ในการนำโมเดลขึ้นสู่ระบบจริง (Production Environment) และประสบการณ์ในการสร้าง Data Pipeline อย่างเป็นรูปธรรม พร้อมกันนี้จะตั้งคำถามเสมอว่า "วัดผลความสำเร็จของมาตรการนั้นอย่างไร" เพื่อประเมินทักษะการดำเนินงานที่จำเป็นสำหรับตำแหน่งระดับ ML Engineer ขึ้นไป โดยดูจากการที่ผู้สมัครสามารถอธิบายวิธีการวัดผลได้หรือไม่

นอกจากนี้ การปรับเปลี่ยนระดับความยากและน้ำหนักของโจทย์ให้เหมาะสมกับตำแหน่งงานก็เป็นสิ่งที่ขาดไม่ได้ สำหรับการจ้างงานในกลุ่ม AI User การใช้โจทย์ที่เน้นการอ่านผลลัพธ์จากเครื่องมือที่มีอยู่และการตัดสินใจทางธุรกิจก็เพียงพอแล้ว แต่สำหรับกลุ่ม Lead AI Engineer จะต้องเพิ่มโจทย์ที่ถามถึงการควบคุมดูแลการใช้งานโมเดลหลายตัวและการตัดสินใจที่เกี่ยวข้องกับการปฏิบัติตามหลักธรรมาภิบาล (Governance) เข้าไปด้วย สำหรับผู้สมัครที่มีผลการทดสอบทางเทคนิคและการสัมภาษณ์แบบกรณีศึกษาไม่สอดคล้องกัน การกำหนดล่วงหน้าว่าจะให้ความสำคัญกับการประเมินด้านใดมากกว่าตามตารางความคาดหวังของแต่ละตำแหน่ง จะช่วยลดความคลาดเคลื่อนในการตัดสินใจของผู้สัมภาษณ์แต่ละคนได้

ขั้นตอนที่ 3: การวางแผนพัฒนาบุคลากร

ขั้นตอนที่ 3: การวางแผนพัฒนาบุคลากร

ช่องว่างทางทักษะที่ไม่สามารถเติมเต็มได้จากการสรรหาบุคลากร จะถูกจัดการด้วยแผนการพัฒนาพนักงาน โดยใช้ความแตกต่างระหว่างทักษะที่มีอยู่กับ "ตารางความคาดหวังตามตำแหน่งงาน" (Expectation Matrix) เป็นเกณฑ์ในการคัดเลือกสื่อการเรียนรู้ และต้องไม่พึ่งพาเพียงแค่การฝึกอบรมเท่านั้น แต่ต้องออกแบบให้ครอบคลุมไปถึงการนำไปประยุกต์ใช้จริงในโปรเจกต์งาน เพื่อให้เกิดผลลัพธ์ที่สามารถนำไปสะท้อนในระบบการประเมินผลได้อย่างแท้จริง

วิธีการเลือกการฝึกอบรมและสื่อการสอน

เกณฑ์ในการเลือกสื่อการสอนคือ สามารถช่วยเติมเต็มช่องว่างระหว่างทักษะปัจจุบันกับตารางความคาดหวังตามตำแหน่งงานได้หรือไม่ โดยให้กำหนดก่อนว่าสื่อการสอนนั้นมีไว้เพื่อเสริมส่วนใดระหว่าง "ทักษะทางเทคนิค" (Technical Skills) หรือ "ความเข้าใจในธุรกิจ" (Business Understanding) จากนั้นจึงตรวจสอบว่าเนื้อหาสอดคล้องกับส่วนที่ต้องการเสริมหรือไม่ก่อนที่จะนำมาใช้

สำหรับสื่อการสอนที่ช่วยเสริมทักษะทางเทคนิค ควรมีทั้งแบบที่เรียนรู้หลักการของ AI และแนวคิดเรื่องตัวชี้วัดการประเมินผล (Evaluation Metrics) อย่างเป็นระบบผ่านการบรรยาย และแบบที่มีการฝึกปฏิบัติจริง สำหรับกลุ่มผู้ใช้งาน AI (AI User) หลักสูตรระยะสั้นที่เน้นการใช้งานเครื่องมือทางธุรกิจและการอ่านผลลัพธ์จะมีความเหมาะสม ส่วนสำหรับ ML Engineer ขึ้นไป จำเป็นต้องใช้สื่อการสอนที่ครอบคลุมถึงการออกแบบตัวชี้วัดการประเมินผลและข้อจำกัดของโมเดล หากเป็นสื่อการสอนที่เกี่ยวข้องกับการเตรียมข้อมูล (Data Preprocessing) และการสร้างโมเดลด้วย Python ให้ตรวจสอบว่ามีแบบฝึกหัดที่คล้ายคลึงกับโจทย์การเขียนโค้ดที่ใช้ในการคัดเลือกผู้สมัครหรือไม่ เพื่อให้สามารถวัดความสามารถหลังการพัฒนาด้วยเกณฑ์เดียวกับมาตรฐานการคัดเลือกได้

นอกจากนี้ ควรพิจารณาทรัพยากรการฝึกอบรมจากภาครัฐเป็นตัวเลือกในการคัดเลือกสื่อการสอนด้วย โปรแกรมการพัฒนาบุคลากรอย่าง "Super AI Engineer" ซึ่งจัดโดย NSTDA (สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ) อาจช่วยเสริมการฝึกอบรมทักษะทางเทคนิคในระดับที่สื่อการสอนภายในองค์กรไม่สามารถครอบคลุมได้ สำหรับสื่อการสอนที่ช่วยพัฒนาความเข้าใจในธุรกิจ เช่น ความรู้เฉพาะทาง (Domain Knowledge) หรือการออกแบบ KPI ทางธุรกิจ ควรจัดเตรียมแยกต่างหากจากสื่อด้านทักษะทางเทคนิค และควรเชื่อมโยงให้สอดคล้องกับเกณฑ์ความเข้าใจในธุรกิจในระบบการประเมินผล เพื่อไม่ให้แผนการพัฒนาบุคลากรและเกณฑ์การประเมินคลาดเคลื่อนจากกัน

ก่อนที่จะนำสื่อการสอนมาใช้ ให้ดำเนินการเปรียบเทียบรายการในตารางความคาดหวังของตำแหน่งงานนั้นๆ กับหัวข้อในหลักสูตร (Syllabus) ของสื่อการสอนทีละบรรทัด หากยังมีหัวข้อที่ยังไม่ครอบคลุม ให้ตัดสินใจว่าจะสามารถเสริมด้วยโมดูลอื่นในสื่อการสอนชุดเดียวกันได้หรือไม่ หรือจำเป็นต้องเพิ่มสื่อการสอนอื่นเข้ามา และหากมีการใช้สื่อการสอนร่วมกันในหลายตำแหน่งงาน ก็ต้องตรวจสอบด้วยว่าจำเป็นต้องปรับระดับความยากง่ายหรือไม่

กลไกการสร้างความชำนาญผ่านการปฏิบัติงานจริง

ความรู้และทักษะที่ได้จากการฝึกอบรมจะฝังรากลึกได้ก็ต่อเมื่อนำไปใช้ในงานจริงเท่านั้น การจัดสรรผู้ที่อยู่ระหว่างการพัฒนาให้รับผิดชอบงานนำร่องขนาดเล็ก และค่อยๆ ขยายขอบเขตงานตามผลลัพธ์ที่ยืนยันได้ คือหัวใจสำคัญของแผนการพัฒนาที่ไม่จบลงเพียงแค่การฝึกอบรม โดยงานนำร่องที่เลือกจะอ้างอิงตามตารางความคาดหวังของแต่ละตำแหน่งงาน หากเป็น "Applied Data Analyst" ให้มอบหมายงานที่ต้องมีส่วนร่วมในการออกแบบ KPI หากเป็น "ML Engineer" ให้มอบหมายงานที่ต้องสร้างโมเดลและออกแบบตัวชี้วัดการประเมินผล จากนั้นตรวจสอบว่าบทบาทที่ได้รับในงานจริงนั้นสอดคล้องกับเนื้อหาที่ได้เรียนรู้จากสื่อการสอนหรือไม่

ในระหว่างการดำเนินงานนำร่อง ควรจัดให้มีระบบพี่เลี้ยง (Mentor) ซึ่งเป็นพนักงานที่เคยรับผิดชอบงานเดียวกันมาก่อนหรือผู้เชี่ยวชาญภายนอก เพื่อคอยให้คำแนะนำเกี่ยวกับเหตุผลในการตัดสินใจและวิธีการเลือกตัวชี้วัดการประเมินผลในแต่ละครั้ง การสร้างกลไกให้มีการให้คำแนะนำซ้ำๆ ในทุกช่วงสำคัญของงาน แทนที่จะทำเพียงครั้งเดียว จะช่วยให้แก้ไขความเข้าใจที่คลาดเคลื่อนในด้านความรู้หรือข้อผิดพลาดในการตัดสินใจเชิงปฏิบัติได้ตั้งแต่เนิ่นๆ ในช่วงระยะเวลาของงานนำร่อง จำเป็นต้องกำหนดตัวชี้วัดผลสำเร็จให้คงที่ตามที่ตกลงไว้ตั้งแต่ตอนกำหนดขอบเขตงาน และห้ามเปลี่ยนเกณฑ์ระหว่างทาง เพราะหากเปลี่ยนเกณฑ์จะทำให้ไม่สามารถแยกแยะได้ว่าความสามารถของผู้ที่อยู่ระหว่างการพัฒนาเพิ่มขึ้นจริง หรือเป็นเพียงการเปลี่ยนมุมมองในการประเมินเท่านั้น

ความรู้ที่ได้รับจากงานนำร่องไม่ควรเก็บไว้เป็นเพียงประสบการณ์ส่วนบุคคล แต่ควรจัดให้มีพื้นที่สำหรับแบ่งปันให้กับสมาชิกคนอื่นๆ ในตำแหน่งเดียวกัน การแบ่งปันความรู้ภายในองค์กรอย่างต่อเนื่องไม่เพียงแต่ช่วยให้ผู้ที่อยู่ระหว่างการพัฒนาเกิดความเชี่ยวชาญเท่านั้น แต่ยังนำไปสู่การยกระดับความสามารถของทั้งทีม และกลายเป็นข้อมูลผลงานที่สามารถนำไปอ้างอิงในการออกแบบระบบการประเมินผลในครั้งต่อไปได้อีกด้วย

ขั้นตอนที่ 4: การสะท้อนผลสู่ระบบการประเมินผล

ขั้นตอนที่ 4: การสะท้อนผลสู่ระบบการประเมินผล

ผลลัพธ์ที่ได้รับการยืนยันว่าคงอยู่จากการวางแผนพัฒนาบุคลากร จะต้องถูกนำไปรวมเข้ากับแกนหลักของระบบการประเมินผล เพื่อให้สามารถนำไปใช้เป็นข้อมูลประกอบการตัดสินใจเรื่องเงินเดือนและการเลื่อนตำแหน่งได้ การเริ่มต้นออกแบบระบบการประเมินผลทำได้โดยการคัดลอกตารางความคาดหวังตามตำแหน่งงานลงในแบบฟอร์มการประเมินโดยตรง แล้วนำตัวชี้วัดผลลัพธ์ที่วัดได้จากการพัฒนาบุคลากรไปเชื่อมโยงเข้ากับ 5 แกนหลักของการประเมิน ได้แก่ ทักษะทางเทคนิค (Technical Skills), ความเข้าใจในงาน (Business Understanding), ระดับผลกระทบ (Impact), การปฏิบัติตามหลักธรรมาภิบาล (Governance Compliance) และทัศนคติในการเรียนรู้ (Learning Attitude)

การเชื่อมโยงเกณฑ์การประเมินกับนิยามทักษะ

หัวข้อในแบบประเมินผลจะยังคงแบ่งตามนิยามทักษะสองส่วนเดิม คือทักษะทางเทคนิคและความเข้าใจในงาน โดยเพิ่มอีกสามแกน ได้แก่ ระดับผลกระทบ การปฏิบัติตามหลักธรรมาภิบาล และทัศนคติในการเรียนรู้ รวมเป็นทั้งหมดห้าแกน แกนทักษะทางเทคนิคจะประเมินจากงานปฏิบัติจริง เช่น การเขียนโค้ดและการออกแบบตัวชี้วัดการประเมินโมเดล ส่วนแกนความเข้าใจในงานจะประเมินจากการมีส่วนร่วมในการออกแบบ KPI และการปรับจูนความต้องการร่วมกับแผนกหน้างาน หากนำสองส่วนนี้มารวมเป็นหัวข้อเดียว จะทำให้ไม่สามารถแยกแยะระหว่างบุคลากรที่มีทักษะทางเทคนิคสูงแต่ไม่สามารถนำไปประยุกต์ใช้กับงานจริงได้ กับบุคลากรที่มีความเข้าใจในงานแต่ต้องพึ่งพาผู้อื่นในการลงมือปฏิบัติอยู่ตลอด ทำให้จุดเน้นในการพัฒนาบุคลากรไม่ชัดเจน

แกนระดับผลกระทบจะใช้ระดับความสำเร็จของตัวชี้วัดผลงานที่กำหนดไว้ตั้งแต่ขั้นตอนการกำหนดขอบเขตงาน แกนการปฏิบัติตามหลักธรรมาภิบาลจะครอบคลุมถึงการจัดการข้อมูลและการปฏิบัติตาม PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย) ส่วนแกนทัศนคติในการเรียนรู้จะพิจารณาจากการมีส่วนร่วมในวงจรการปรับปรุงงานในช่วงนำร่อง

การให้น้ำหนักของทั้งห้าแกนจะสอดคล้องกับตารางความคาดหวังตามตำแหน่งงาน โดยจะสะท้อนความแตกต่างของความคาดหวังที่ระบุไว้ในรายละเอียดงานลงในคะแนนของแบบประเมินโดยตรง เช่น กลุ่ม AI User จะเน้นสัดส่วนความเข้าใจในงานและทัศนคติในการเรียนรู้สูง กลุ่ม ML Engineer จะเน้นสัดส่วนทักษะทางเทคนิคและระดับผลกระทบสูง และกลุ่ม Lead AI Engineer จะเน้นสัดส่วนการปฏิบัติตามหลักธรรมาภิบาลสูง เป็นต้น

ในการปรับเปลี่ยนคะแนนตามตำแหน่งงาน จำเป็นต้องกำหนดเกณฑ์คะแนนเต็มของแต่ละแกนให้เป็นมาตรฐานเดียวกัน ตัวอย่างเช่น ในแกนทักษะทางเทคนิค ควรใช้มุมมองการให้คะแนนเดียวกันในทุกตำแหน่ง เช่น "ความสามารถในการอ่านโค้ด" หรือ "เหตุผลในการเลือกตัวชี้วัดการประเมิน" แล้วปรับเปลี่ยนเพียงระดับความสำเร็จที่ต้องการตามตำแหน่งงาน วิธีนี้จะช่วยให้สามารถเปรียบเทียบประวัติการประเมินผลเมื่อมีการโยกย้ายตำแหน่งงานระหว่างกันได้

กลไกการนำผลการประเมินกลับไปปรับปรุงแผนพัฒนา

หากไม่มีการกำหนดขั้นตอนเพื่อนำหัวข้อที่ได้คะแนนต่ำในแบบประเมินกลับไปใช้คัดเลือกสื่อการสอนสำหรับแผนการพัฒนาในรอบถัดไป การประเมินนั้นก็จะจบลงเพียงแค่การเป็นบันทึกข้อมูลเท่านั้น พื้นฐานในการปฏิบัติงานจริงคือการระบุขั้นตอนของวงจร "การประเมิน → การพัฒนา → การประเมินซ้ำ" ให้ชัดเจน และเชื่อมโยงการลงทุนด้านการเรียนรู้และการฝึกอบรมใหม่เข้ากับผลการประเมินโดยตรง

ในทางปฏิบัติ หากมีหัวข้อใดในด้านทักษะทางเทคนิคที่ไม่ผ่านเกณฑ์ ให้เปรียบเทียบส่วนต่างกับตารางความคาดหวังตามตำแหน่งงานอีกครั้ง แล้วนำสื่อการสอนที่สามารถเติมเต็มส่วนต่างนั้นมาบรรจุไว้ในแผนการพัฒนาถัดไป หากคะแนนในด้านความเข้าใจในงานต่ำ ให้ทบทวนบทบาทในงานนำร่อง (Pilot Project) และปรับเปลี่ยนการมอบหมายงานใหม่ เช่น ให้ไปรับผิดชอบงานที่มีส่วนร่วมในการออกแบบ KPI สูงขึ้น เพื่อเปลี่ยนสภาพแวดล้อมการปฏิบัติงานให้สอดคล้องกับหัวข้อที่ต้องประเมิน หากคะแนนด้านการปฏิบัติตามหลักธรรมาภิบาล (Governance) ต่ำ ให้จำกัดการแก้ไขด้วยการเพิ่มสื่อการสอนที่เสริมสร้างทัศนคติและความถี่ในการให้คำปรึกษา (Mentoring) โดยแยกออกจากส่วนของการฝึกอบรมด้านเทคนิค

การตัดสินใจว่าจะนำหัวข้อใดกลับมาพัฒนาเป็นลำดับแรก ให้พิจารณาตามน้ำหนักความสำคัญของแต่ละตำแหน่งงาน หากเป็นกลุ่ม ML Engineer ให้เน้นเติมเต็มส่วนต่างด้านทักษะทางเทคนิคและผลกระทบ (Impact) ก่อน หากเป็นกลุ่ม Lead AI Engineer ให้เน้นเติมเต็มส่วนต่างด้านการปฏิบัติตามหลักธรรมาภิบาลก่อน การกำหนดลำดับความสำคัญตามคะแนนในแบบประเมินเช่นนี้ จะช่วยให้ลำดับความสำคัญไม่สั่นคลอนแม้ในกรณีที่งบประมาณด้านการพัฒนามีจำกัด

วงจรนี้จะไม่จบลงเพียงครั้งเดียว แต่ต้องดำเนินการให้เป็นระบบจนถึงขั้นตอนการวัดผลหัวข้อเดิมซ้ำในรอบการประเมินถัดไปเพื่อตรวจสอบว่ามีการปรับปรุงหรือไม่ สำหรับหัวข้อที่ตรวจสอบแล้วว่าไม่มีการปรับปรุงในการประเมินซ้ำ ให้แยกแยะว่าสาเหตุมาจากตัวสื่อการสอนเองหรือมาจากลักษณะงานที่ได้รับมอบหมาย เพื่อใช้เป็นข้อมูลประกอบการตัดสินใจในการทบทวนแก้ไขต่อไป

ข้อผิดพลาดที่พบบ่อยในการสรรหาและพัฒนาบุคลากร

ข้อผิดพลาดที่พบบ่อยในการสรรหาและพัฒนาบุคลากร

แม้จะมีการจัดเตรียมตารางความคาดหวังตามตำแหน่งงานและรอบการประเมินผลไว้แล้ว แต่หากยังคงดำเนินการสรรหาบุคลากรโดยที่รายละเอียดของข้อกำหนดงานยังไม่ชัดเจน หรือถือว่าการพัฒนาบุคลากรเสร็จสิ้นทันทีที่จัดการฝึกอบรมเสร็จสิ้น กลไกที่ออกแบบไว้ก็จะไม่สามารถทำงานได้อย่างมีประสิทธิภาพ ความล้มเหลวมักเกิดจากช่องว่างที่ตกหล่นไประหว่างการกำหนดนิยามและการนำไปปฏิบัติจริง

การจ้างงานโดยที่นิยามทักษะยังไม่ชัดเจน

ในตลาดแรงงานของประเทศไทย มักมีการชี้ให้เห็นจากการปฏิบัติงานสรรหาบุคลากรภายในองค์กรว่า กลุ่มบุคลากรที่มีความสามารถในการใช้งาน AI ในระดับสูงนั้นยังมีอยู่อย่างจำกัด หากดำเนินการสรรหาโดยที่ข้อกำหนดคุณสมบัติยังไม่ชัดเจน แม้จะได้รับใบสมัครจำนวนมาก แต่ก็ไม่สามารถตรวจสอบทักษะที่แท้จริงได้ ซึ่งมักนำไปสู่การพบปัญหาความไม่เหมาะสมของตำแหน่งงาน (Mismatch) หลังจากรับเข้าทำงานแล้ว กรณีตัวอย่างที่พบบ่อยคือการจัดวางบุคลากรที่มีทักษะทางเทคนิคสูงแต่ไม่สามารถเชื่อมโยงเข้ากับ KPI ของงานได้ ไปไว้ในตำแหน่งที่ต้องการความเข้าใจในเนื้องานอย่างลึกซึ้ง

การจบการพัฒนาเพียงแค่การฝึกอบรม

การถือว่าการพัฒนาบุคลากรเสร็จสิ้นทันทีที่การฝึกอบรมจบลง โดยไม่วางระบบสำหรับการมอบหมายงานจริงหรือกลไกการให้คำแนะนำ (Feedback) แล้วเลื่อนตำแหน่งพนักงานไปสู่ระดับถัดไปนั้น จะนำไปสู่ผลลัพธ์ที่ทำให้ความรู้และทักษะปฏิบัติที่ไม่ได้รับการปลูกฝังอย่างยั่งยืนถูกนำไปสะท้อนในระบบการประเมินผล แม้ว่าจะได้เรียนรู้วิธีการออกแบบตัวชี้วัดการประเมินผ่านการบรรยายหรือหลักสูตรระยะสั้น แต่หากขาดพื้นที่ในการสัมผัสกับข้อมูลงานจริงและฝึกตัดสินใจซ้ำๆ ก็จะไม่สามารถรักษาแม้แต่ระดับมาตรฐานของแบบทดสอบทางเทคนิคที่ตรวจสอบไว้ในตอนสัมภาษณ์ได้

ความล้มเหลวนี้เกิดจากการกำหนดให้การจบการฝึกอบรมเป็นเป้าหมายสูงสุดของแผนการพัฒนา หากแผนงานไม่ได้รวมถึงการจัดสรรงานนำร่อง (Pilot Project) หรือการให้คำแนะนำอย่างต่อเนื่องจากพี่เลี้ยง (Mentor) และปล่อยให้เป็นหน้าที่ของหน้างานหลังจบการฝึกอบรม พนักงานอาจจะมีความรู้เพียงพอ แต่จะเข้าสู่รอบการประเมินโดยที่ยังไม่ได้รับการยืนยันว่าทักษะปฏิบัติและทัศนคติได้รับการปลูกฝังอย่างมั่นคง ผลที่ตามมาคือมักเกิดความไม่สอดคล้องกัน โดยพนักงานอาจได้คะแนนสูงในด้านทักษะทางเทคนิคบนแบบประเมิน แต่กลับได้รับคะแนนต่ำอย่างต่อเนื่องในด้านความเข้าใจในงานและผลกระทบของงาน

ในบริษัทที่ไม่ได้ระบุรายละเอียดการเชื่อมโยงจากการฝึกอบรมไปสู่การปฏิบัติจริงตั้งแต่ขั้นตอนการออกแบบ มักพบกรณีที่ไม่ได้เขียนแจกแจงความสัมพันธ์ระหว่างเนื้อหาการบรรยายกับงานหน้างานไว้ในแผนการฝึกอบรม และไม่ได้ระบุให้ชัดเจนว่าใครจะใช้ความรู้นั้นกับงานใด หากดำเนินการฝึกอบรมโดยขาดการจัดระเบียบเช่นนี้ ก็จะตกหลุมพรางเดิมซ้ำอีก

แนวทางแก้ไขคือ ในขั้นตอนการวางแผนการฝึกอบรม ต้องกำหนดให้การจัดสรรงานนำร่องที่จะทำหลังการฝึกอบรม และความถี่ในการรับคำแนะนำจากพี่เลี้ยง เป็นส่วนหนึ่งของแผนการพัฒนาแบบครบวงจร โดยเปลี่ยนรูปแบบการดำเนินงานจากการกำหนดให้การฝึกอบรมเป็นเงื่อนไขความสำเร็จเพียงอย่างเดียว ไปเป็นการกำหนดให้จุดที่สามารถยืนยันผลลัพธ์จากงานจริงได้ เป็นเงื่อนไขความสำเร็จของแผนการพัฒนาแทน

คำถามที่พบบ่อย

คำถามที่พบบ่อย

เราจะจัดระเบียบเกณฑ์การตัดสินใจเกี่ยวกับระดับเงินเดือน ลำดับความสำคัญระหว่างการรีสกิล (Reskilling) กับการจ้างงานใหม่ และความถี่ในการทบทวนระบบการประเมินผล

Q1: ควรพิจารณาระดับเงินเดือนอย่างไรเมื่อจ้างบุคลากร AI ในไทย?

การใช้ช่วงเงินเดือนรายเดือนตามประเภทงานที่ระบุไว้ในเอกสาร "Costs of Doing Business" ซึ่งเผยแพร่โดย BOI (คณะกรรมการส่งเสริมการลงทุนของไทย) เป็นค่าอ้างอิง แล้วนำมาปรับตามผู้สมัครแต่ละรายถือเป็นแนวทางที่ใช้งานได้จริง โดยไม่ควรนำค่าอ้างอิงมาเสนอเป็นตัวเลขโดยตรง แต่ควรปรับขึ้นหรือลงตามขอบเขตของงานที่รับผิดชอบ (เช่น การสร้างโมเดลพยากรณ์ หรือการช่วยดูแลเครื่องมือที่มีอยู่เดิม) จำนวนปีของประสบการณ์ และสถานที่ปฏิบัติงาน หากในตารางความคาดหวังตามตำแหน่งงานมีการแยก ML Engineer และ Lead AI Engineer ออกจากกัน ไม่ควรใช้ค่าอ้างอิงเดียวกัน แต่ควรกำหนดช่วงเงินเดือนรายเดือนแยกตามตำแหน่งงาน เพื่อป้องกันไม่ให้เกณฑ์การพิจารณาเกิดความสับสนในการเจรจาเงินเดือนหลังการจ้างงาน

Q2: ควรให้ความสำคัญกับการรีสกิลพนักงานเดิมหรือการจ้างงานใหม่?

แบ่งตามขอบเขตว่าความสามารถที่จำเป็นนั้นสามารถหาได้จากภายในบริษัทหรือไม่ การผสมผสานที่ใช้งานได้จริงคือการสรรหาบุคลากรใหม่สำหรับทักษะทางเทคนิคที่สำคัญและหายาก ในขณะที่ใช้การ Upskilling พนักงานเดิมสำหรับความสามารถที่ผูกติดกับบริบทของหน้างาน เช่น ความเข้าใจในเนื้องานและการปฏิบัติตามหลักธรรมาภิบาล โดยให้ตัดสินใจหลังจากระบุได้แล้วว่า "ทักษะทางเทคนิค" หรือ "ความเข้าใจในเนื้องาน" ส่วนใดที่ขาดหายไปผ่านตารางความคาดหวังในแต่ละตำแหน่งงาน

Q3: ควรทบทวนระบบการประเมินผลบ่อยแค่ไหน?

การประเมินผลอย่างเป็นทางการควรยึดเกณฑ์ปีละ 1 ครั้ง โดยใช้การดำเนินงานแบบสองระดับที่สอดแทรกการให้คำติชมในชีวิตประจำวันไว้ระหว่างช่วงเวลาดังกล่าว แนวทางของ CIPD (Chartered Institute of Personnel and Development) แห่งสหราชอาณาจักรเกี่ยวกับการจัดการประสิทธิภาพการทำงาน ก็ได้ชี้ให้เห็นถึงการเปลี่ยนผ่านไปสู่รูปแบบการสนทนาอย่างต่อเนื่อง แทนที่จะพึ่งพาเพียงการประเมินอย่างเป็นทางการปีละ 1 ครั้งเท่านั้น ในบรรดาแกนการประเมินทั้งห้าแกน แกนที่เห็นการเปลี่ยนแปลงได้ในระดับครึ่งปีอย่าง "ทักษะทางเทคนิค" ควรมีการตรวจสอบสั้นๆ ตามจุดเปลี่ยนของงานนำร่อง (Pilot Project) ส่วนแกนที่ได้รับผลกระทบจากการเปลี่ยนแปลงของระบบได้ง่ายอย่าง "การปฏิบัติตามหลักธรรมาภิบาล" ควรตรวจสอบให้สอดคล้องกับการทบทวนการดำเนินงานตาม PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย) สำหรับความถี่ที่ชัดเจนนั้น แต่ละองค์กรจำเป็นต้องกำหนดตามความยาวของรอบแผนการพัฒนาและน้ำหนักของแต่ละตำแหน่งงาน โดยวิธีปฏิบัติที่เหมาะสมคือการแบ่งตามความสำคัญ เช่น กลุ่ม ML Engineer ที่มีสัดส่วนทักษะทางเทคนิคสูงควรใช้รอบระยะเวลาที่สั้น ส่วนกลุ่ม Lead AI Engineer ที่มีสัดส่วนการปฏิบัติตามหลักธรรมาภิบาลสูงควรทบทวนตามจังหวะเวลาที่มีการเปลี่ยนแปลงของระบบ

บทสรุป

บทสรุป

การจ้างงานและพัฒนาบุคลากรด้าน AI เริ่มต้นจากการเตรียมความพร้อมด้วยการระบุวัตถุประสงค์และขอบเขตงานให้ชัดเจน โดยใน Step 1 จะแบ่งทักษะออกเป็นด้านเทคนิคและความเข้าใจในธุรกิจ แล้วนำไปจัดทำเป็นตารางความคาดหวังตามตำแหน่งงาน จากนั้นใน Step 2 จะเป็นการออกแบบเกณฑ์การคัดเลือกและกระบวนการสรรหาโดยอ้างอิงจากตารางดังกล่าว ใน Step 3 จะใช้ส่วนต่างจากตารางความคาดหวังเป็นเกณฑ์ในการเลือกสื่อการสอน พร้อมทั้งสร้างความคุ้นเคยในหน้างานจริงผ่านงานนำร่องและการให้คำปรึกษา (Mentoring) และใน Step 4 จะเป็นการเชื่อมโยงเกณฑ์การประเมินเข้ากับนิยามของทักษะแบบหนึ่งต่อหนึ่ง เพื่อนำผลการประเมินกลับไปหมุนเวียนในวงจรการวางแผนพัฒนาบุคลากรในรอบถัดไป การออกแบบทั้งหมดนี้มักจะล้มเหลวเมื่อมีการจ้างงานโดยที่ความต้องการยังไม่ชัดเจน หรือมองว่าการจัดอบรมคือเป้าหมายสุดท้ายโดยละเลยการเชื่อมโยงไปสู่การปฏิบัติจริง ซึ่งการหมั่นตรวจสอบตารางความคาดหวังตามตำแหน่งงานเทียบกับแบบประเมินผลอยู่เสมอจะเป็นสิ่งที่ช่วยป้องกันปัญหาดังกล่าวได้

สิ่งแรกที่ควรทำคือการเขียนวัตถุประสงค์ที่บริษัทต้องการจากการใช้ AI ออกมาทีละข้อ และเริ่มลงมือจัดทำตารางความคาดหวังสำหรับแต่ละตำแหน่งงาน

ทั้งนี้ เงื่อนไขการจ้างงาน ระดับเงินเดือน และเงื่อนไขการทำงานในประเทศไทยที่กล่าวถึงในบทความนี้ อาจมีการเปลี่ยนแปลงตามสถานการณ์ทางสังคมและการแก้ไขกฎระเบียบ ดังนั้นเมื่อดำเนินการวางแผนการจ้างงานเฉพาะกรณี โปรดตรวจสอบข้อมูลล่าสุดจากผู้เชี่ยวชาญด้านแรงงานในพื้นที่ ที่ปรึกษาด้านประกันสังคม หรือสำนักงานกฎหมายในท้องถิ่น นอกจากนี้ หากจำเป็นต้องปฏิบัติตามพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) ในการจัดเก็บ รักษา และใช้ข้อมูลบุคลากร ขอแนะนำให้ปรึกษาผู้เชี่ยวชาญด้านกฎหมายเกี่ยวกับวิธีการปฏิบัติจริงก่อนตัดสินใจ เนื้อหาในบทความนี้มีวัตถุประสงค์เพื่อการให้ข้อมูลทั่วไปเท่านั้น การตัดสินใจขั้นสุดท้ายในสถานการณ์เฉพาะเจาะจงควรอยู่บนพื้นฐานของการตรวจสอบกับผู้เชี่ยวชาญเป็นสำคัญ

แหล่งอ้างอิง

  1. www.boi.go.th/index.phpเข้าถึงเมื่อ 19 พฤศจิกายน 2569
  2. www.boi.go.th/upload/content/Cost_of_Doing_Business_2026.pdfเข้าถึงเมื่อ 19 พฤศจิกายน 2569
  3. www.gov.uk/government/publications/senior-civil-service-performance-management/…เข้าถึงเมื่อ 19 พฤศจิกายน 2569
  4. www.boi.go.th/index.phpเข้าถึงเมื่อ 19 พฤศจิกายน 2569
  5. www.ratchakitcha.soc.go.th/DATA/PDF/2562/A/069/T_0052.PDFเข้าถึงเมื่อ 19 พฤศจิกายน 2569
  6. www.boi.go.th/en/typical_costs_of_starting_and_operating_a_businessเข้าถึงเมื่อ 19 พฤศจิกายน 2569
  7. www.oecd.org/en/publications/a-skills-first-labour-market_2e1b85f0-en/full-repo…เข้าถึงเมื่อ 19 พฤศจิกายน 2569
  8. www.doe.go.th/prd/download/download_by_pool_file/137139เข้าถึงเมื่อ 19 พฤศจิกายน 2569
  9. www.boi.go.th/index.phpเข้าถึงเมื่อ 19 พฤศจิกายน 2569
  10. www.boi.go.th/en/doing_biz_boiเข้าถึงเมื่อ 19 พฤศจิกายน 2569
  11. www.chisou.go.jp/sousei/pdf/04_r3_guideline-kpi.pdfเข้าถึงเมื่อ 19 พฤศจิกายน 2569

ผู้เขียน・ผู้ตรวจสอบ

Yusuke Ishihara

Yusuke Ishihara

เริ่มเขียนโปรแกรมตั้งแต่อายุ 13 ปี ด้วย MSX หลังจบการศึกษาจากมหาวิทยาลัย Musashi ได้ทำงานพัฒนาระบบขนาดใหญ่ รวมถึงระบบหลักของสายการบิน และโครงสร้าง Windows Server Hosting/VPS แห่งแรกของญี่ปุ่น ร่วมก่อตั้ง Site Engine Inc. ในปี 2008 ก่อตั้ง Unimon Inc. ในปี 2010 และ Enison Inc. ในปี 2025 นำทีมพัฒนาระบบธุรกิจ การประมวลผลภาษาธรรมชาติ และแพลตฟอร์ม ปัจจุบันมุ่งเน้นการพัฒนาผลิตภัณฑ์และการส่งเสริม AI/DX โดยใช้ generative AI และ Large Language Models (LLM)