วิธีเพิ่มประสิทธิภาพงาน HR และการสรรหาบุคลากรในบริษัทไทยด้วย AI ตั้งแต่การจัดการผู้สมัครไปจนถึงการคาดการณ์การลาออก

ในแวดวงการบริหารทรัพยากรบุคคลและการสรรหาบุคลากรของไทย หลายบริษัทกำลังเผชิญกับปัญหาที่ว่า แม้จะได้รับใบสมัครจำนวนมากแต่ก็ไม่สามารถดำเนินการได้ทัน ทำให้กระบวนการคัดเลือกยืดเยื้อ ในขณะเดียวกันก็มีพนักงานลาออกหลังจากเริ่มงานได้เพียงไม่กี่เดือน ส่งผลให้ต้นทุนการสรรหาบุคลากรเพิ่มสูงขึ้น หากเพิ่มจำนวนพนักงานก็จะทำให้ภาระงานด้านธุรการบุคคลเพิ่มขึ้น แต่หากคัดกรองเข้มงวดเกินไปก็จะเสียเปรียบในการแข่งขันด้านการสรรหาบุคลากร วิธีหนึ่งที่จะช่วยแก้ปัญหากลืนไม่เข้าคายไม่ออกนี้ได้ คือการใช้ Generative AI เข้ามาแทนที่งานประจำ งานที่เกิดขึ้นซ้ำๆ เช่น การตอบกลับผู้สมัครหรือการตอบคำถามด้านงานบุคคล สามารถให้ AI เป็นผู้จัดการ ส่วนการตัดสินใจขั้นสุดท้าย เช่น การรับเข้าทำงานหรือการประเมินผลนั้น ให้เป็นหน้าที่ของมนุษย์ ต่อไปเราจะมาดูในมุมมองของการปฏิบัติจริงว่า ภายใต้การแบ่งขอบเขตหน้าที่เช่นนี้ เราจะสามารถมอบหมายงานให้ AI ทำได้มากน้อยเพียงใด ตั้งแต่การคัดกรองผู้สมัครไปจนถึงการคาดการณ์การลาออก รวมถึงขั้นตอนการนำมาใช้งานโดยคำนึงถึง PDPA เป็นสำคัญ

เมื่อรับผิดชอบงานด้านทรัพยากรบุคคลในประเทศไทย คุณมักจะเผชิญกับปัญหาเรื่องการสรรหาบุคลากร (Recruitment) หรือการรักษาพนักงาน (Retention) อยู่เสมอ การแข่งขันที่รุนแรงในการสรรหาบุคลากรและอัตราการลาออกที่สูงนั้นเป็นสิ่งที่มาคู่กัน หากแก้ไขเพียงด้านใดด้านหนึ่งก็จะไม่สามารถนำไปสู่การปรับปรุงอย่างยั่งยืนได้ นอกจากนี้ ช่องว่างทางภาษาระหว่างผู้บริหารชาวญี่ปุ่นและพนักงานชาวไทยยังมักก่อให้เกิดความขัดแย้งในการประเมินผลงานหรือการให้คำปรึกษาด้านแรงงาน อีกทั้งยังมีหลายบริษัทที่งานธุรการอย่างการจัดการผู้สมัคร การลงเวลาเข้า-ออกงาน และการทำเงินเดือนยังคงเน้นการทำด้วยมือ (Manual) เป็นหลัก

ปัญหาเหล่านี้ไม่ใช่ความไม่สะดวกเล็กๆ น้อยๆ ที่แยกจากกัน แต่เป็นปัญหาเชิงโครงสร้างที่เกี่ยวพันกัน ช่องว่างทางภาษาทำให้การประเมินผลงานสื่อสารได้ไม่ชัดเจนจนนำไปสู่การลาออกที่เพิ่มขึ้น และเมื่อมีการลาออกมากขึ้น ภาระงานด้านการสรรหาก็ยิ่งสูงขึ้น ซึ่งภาระงานดังกล่าวก็ยิ่งไปกดดันงานธุรการที่ทำด้วยมือให้หนักขึ้นไปอีก จนเกิดเป็นวงจรอุบาทว์ได้ง่าย หากปล่อยให้วงจรนี้ดำเนินต่อไป การนำเครื่องมือใหม่ๆ มาใช้ก็จะเป็นเพียงการสะดุดอยู่ที่ขั้นตอนก่อนจะถึงยุค AI เท่านั้น

ในตลาดแรงงานของประเทศไทย ซึ่งเป็นแหล่งรวมของอุตสาหกรรมการผลิต ค้าปลีก และบริการ การแย่งชิงบุคลากรระหว่างบริษัทในอุตสาหกรรมเดียวกันถือเป็นเรื่องปกติ สถานการณ์ที่ประกาศรับสมัครงานไปแล้วถูกบริษัทอื่นดึงตัวไป หรือแม้แต่ผู้สมัครที่ตอบรับเข้าทำงานแล้วกลับปฏิเสธก่อนเริ่มงานจริงนั้นไม่ใช่เรื่องแปลก โดยเฉพาะในตำแหน่งหน้างานอย่างพนักงานสายการผลิตในโรงงานหรือพนักงานคลังสินค้า ซึ่งมีแนวโน้มที่จะเปลี่ยนงานเพียงเพราะความแตกต่างเล็กน้อยของเงินเดือนหรือสถานที่ทำงาน ส่งผลให้มีรายงานว่าฝ่ายสรรหาบุคลากรไม่สามารถรักษาตัวผู้สมัครไว้ได้จนเกิดตำแหน่งว่างต่อเนื่อง ในนิคมอุตสาหกรรมย่านชานเมืองกรุงเทพฯ ฝ่ายบุคคลในพื้นที่มักกล่าวถึงเรื่องที่ว่าเพียงแค่โรงงานข้างเคียงปรับขึ้นค่าจ้างรายชั่วโมงเพียงไม่กี่บาท พนักงานก็พร้อมที่จะย้ายงานทันที

เบื้องหลังของอัตราการลาออกที่สูงนั้นมาจากสภาพคล่องของตลาดแรงงาน โดยเฉพาะในกลุ่มคนรุ่นใหม่ที่มีทัศนคติว่า "หากพบเงื่อนไขที่ดีกว่าก็พร้อมย้ายทันที" นอกจากนี้ ในบริษัทที่มีอัตราการลาออกสูงในช่วงแรกของการทำงาน มักเกิดจากกระบวนการ Onboarding หรือการดูแลในช่วงเริ่มต้นที่ไม่เพียงพอ ทำให้ฝ่ายบุคคลไม่มีเวลาเพียงพอที่จะทุ่มเทให้กับการสนับสนุนให้พนักงานอยู่กับองค์กรได้นานขึ้น แม้จะเพิ่มช่องทางการรับสมัครงานเพื่อดึงดูดผู้สมัครให้มากขึ้น แต่หากพนักงานลาออกหลังจากเริ่มงานได้เพียงไม่กี่สัปดาห์ ต้นทุนการสรรหาที่ลงทุนไปก็จะสูญเปล่าทั้งหมด และต้องเริ่มกระบวนการสรรหาเพื่อทดแทนตำแหน่งว่างใหม่อีกครั้ง วงจรอุบาทว์นี้ถือเป็นปัญหาเชิงโครงสร้างที่ใหญ่ที่สุดที่ฝ่ายบุคคลในประเทศไทยกำลังเผชิญอยู่

กิจกรรมการสรรหาบุคลากรเพื่อทดแทนตำแหน่งว่างต้องดำเนินไปอย่างต่อเนื่อง ส่งผลให้เจ้าหน้าที่ต้องวุ่นอยู่กับงานประจำอย่างการคัดกรองเอกสารและการนัดหมายสัมภาษณ์ ผลที่ตามมาคือไม่มีเวลาเพียงพอที่จะไปโฟกัสกับการปรับปรุงประสบการณ์ของผู้สมัคร (Candidate Experience) หรือการรับมือเพื่อแก้ไขปัญหาการลาออกตั้งแต่เนิ่นๆ ซึ่งช่องว่างทางภาษาที่จะกล่าวถึงในหัวข้อถัดไป ก็เป็นอีกปัจจัยหนึ่งที่ทำให้ภาระงานเหล่านี้หนักหนายิ่งขึ้น

ในสถานที่ทำงานหลายแห่งระหว่างผู้บริหารชาวญี่ปุ่นและพนักงานชาวไทย การสื่อสารคำสั่งงานและเกณฑ์การประเมินผลมักต้องพึ่งพาซอฟต์แวร์แปลภาษาเป็นหลัก การสื่อสารที่ขาดรายละเอียดและอรรถรสที่ถูกต้องส่งผลให้เกิดสถานการณ์คล้ายกับการเล่นเกม "กระซิบส่งสาร" ซึ่งเนื้อหาจะค่อยๆ ผิดเพี้ยนไปทีละน้อยในระหว่างการส่งต่อ

หากการอธิบายกฎระเบียบการทำงานหรือระบบการประเมินผลทำเพียงแค่การบอกปากเปล่าและจดบันทึกย่อเป็นภาษาไทยแบบง่ายๆ จะทำให้ความเข้าใจของพนักงานแต่ละคนไม่เท่ากัน ส่งผลให้เกิดกรณีที่ "กฎที่ควรจะได้รับคำอธิบายแล้ว" ไม่ได้รับการปฏิบัติ ซึ่งกลายเป็นชนวนเหตุของความไม่พอใจและการลาออก โดยเฉพาะระบบการประเมินผลที่การใช้ถ้อยคำเพียงเล็กน้อยก็อาจทำให้การตีความเปลี่ยนไปได้ง่าย การนำเกณฑ์การประเมินที่เขียนด้วยภาษาญี่ปุ่นมาแปลด้วยเครื่องแปลภาษาโดยตรง มักทำให้ค่าน้ำหนักของปัจจัยการเพิ่มคะแนนและลดคะแนนไม่ถูกสื่อสารออกไปอย่างถูกต้องในการใช้งานจริง

เพื่อรับมือกับปัญหานี้ การใช้ AI Chatbot ที่มีเทคโนโลยี Multilingual NLP (การประมวลผลภาษาธรรมชาติหลายภาษา) ถือเป็นวิธีที่มีประสิทธิภาพ เนื่องจากสามารถตอบคำถามเกี่ยวกับกฎระเบียบข้อบังคับในการทำงานและสวัสดิการได้ด้วยคำตอบที่สอดคล้องกันทั้งภาษาไทย ภาษาอังกฤษ และภาษาญี่ปุ่น จึงช่วยลดปัญหาที่คำอธิบายเปลี่ยนไปตามตัวบุคคลผู้บริหารแต่ละคนได้ บริษัทที่นำระบบนี้ไปใช้ต่างระบุว่า สามารถรวมศูนย์เนื้อหาคำตอบให้เป็นมาตรฐานเดียวกันได้ จากเดิมที่คำตอบสำหรับคำถามเดียวกันมักมีความแตกต่างกันเล็กน้อยขึ้นอยู่กับผู้รับผิดชอบ

สำหรับการสื่อสารที่สำคัญ เช่น การสัมภาษณ์ประเมินผลหรือการลงโทษทางวินัย ไม่ควรใช้ผลลัพธ์จากการแปลของ AI เพียงอย่างเดียว แต่ควรเป็นสถานการณ์ที่เจ้าหน้าที่ฝ่ายบุคคลต้องตรวจสอบเนื้อหาก่อนทำการสื่อสาร ดังนั้น มุมมองในการแยกแยะระหว่างการตอบคำถามที่เป็นรูปแบบมาตรฐานกับการสื่อสารที่จำเป็นต้องใช้คนเข้ามาเกี่ยวข้องจึงเป็นสิ่งที่ขาดไม่ได้

ในบริษัทที่ฝ่ายสรรหาบุคลากรยังคงจัดการผู้สมัครผ่าน Excel หรืออีเมล การตรวจสอบความคืบหน้าของผู้สมัครแต่ละรายและการตรวจสอบเอกสารที่ต้องทำด้วยตนเองนั้น มักนำไปสู่การตกหล่นในการตอบกลับหรือความล่าช้าในการติดต่อสื่อสาร ยิ่งบริษัทใช้สื่อประกาศรับสมัครงานควบคู่กันไป 3 ถึง 4 แห่ง รูปแบบข้อมูลของแต่ละช่องทางก็จะแตกต่างกันออกไป ทำให้เจ้าหน้าที่ต้องเสียเวลาไปกับการรวบรวมข้อมูลให้เป็นศูนย์กลางเพียงอย่างเดียว ในช่วงที่มีผู้สมัครเข้ามาเป็นจำนวนมาก ไม่ใช่เรื่องแปลกที่จะมีเสียงสะท้อนว่างานตรวจสอบข้อมูลเพียงอย่างเดียวก็กินเวลาไปแล้วครึ่งค่อนวัน

ในด้านงานบริหารงานบุคคลก็มีโครงสร้างปัญหาในลักษณะเดียวกัน การบันทึกเวลาเข้า-ออกงาน การขอลาหยุด และการสอบถามเกี่ยวกับเงินเดือนเกิดขึ้นเป็นประจำทุกวัน และในหลายบริษัท ฝ่ายบุคคลต้องคอยตอบคำถามแยกเป็นรายบุคคลผ่านอีเมลหรือ LINE ทำให้เกิดการตอบคำถามเดิมซ้ำๆ กฎหมายคุ้มครองแรงงานของไทยมีการกำหนดเรื่องวันหยุดพักผ่อนประจำปีและชั่วโมงการทำงานไว้ และการแก้ไขกฎหมายที่จะมีผลบังคับใช้ในปี 2025 เช่น การขยายวันลาคลอดจาก 98 วัน เป็น 120 วัน ก็เป็นปัจจัยที่เพิ่มภาระให้กับเจ้าหน้าที่ในการติดตามการเปลี่ยนแปลงของระเบียบข้อบังคับต่างๆ

งานตรวจสอบและตอบคำถามที่เป็นรูปแบบตายตัวเหล่านี้มักจะขึ้นอยู่กับตัวบุคคล ทำให้มีความเสี่ยงที่งานจะหยุดชะงักหากเจ้าหน้าที่ลาพักร้อนหรือลาออก การตอบกลับผู้สมัครและการตอบคำถามด้านงานบุคคลมีจุดร่วมกันคือเป็นงานซ้ำๆ ที่ไม่ต้องใช้การตัดสินใจมากนัก และจุดร่วมนี้เองคือจุดเริ่มต้นของการนำ AI มาประยุกต์ใช้ซึ่งจะกล่าวถึงในบทถัดไป

การนำ AI มาใช้ในงานด้านทรัพยากรบุคคลสามารถแบ่งออกได้เป็น 3 ด้านหลัก คือ การสรรหาบุคลากร (Recruitment), งานด้านแรงงานสัมพันธ์ (Labor Management) และการรักษาพนักงาน (Retention) อย่างไรก็ตาม ทั้ง 3 ด้านนี้มีความสำคัญไม่เท่ากัน ในทางปฏิบัติ ด้านที่ให้ผลตอบแทนจากการลงทุน (ROI) ได้ง่ายที่สุดคือการจัดการผู้สมัครในส่วนของการสรรหาบุคลากร ซึ่งยิ่งบริษัทมีจำนวนผู้สมัครมากเท่าใด ประโยชน์จากการทำระบบอัตโนมัติก็จะยิ่งเห็นผลชัดเจนมากขึ้นเท่านั้น สำหรับงานด้านแรงงานสัมพันธ์นั้น หัวใจสำคัญคือการเพิ่มประสิทธิภาพในการตอบคำถาม ซึ่งหากมีการจัดทำ FAQ ไว้ดีพอสมควรแล้ว ก็จะมีต้นทุนเพิ่มเติมเพียงเล็กน้อย ส่วนในด้านการรักษาพนักงานนั้น การคาดการณ์การลาออกยังถือว่าอยู่ในระหว่างการพัฒนาในแง่ของความแม่นยำ ดังนั้น การใช้เป็นดัชนีชี้วัดเสริมจึงเป็นแนวทางที่สมเหตุสมผลกว่า

การจะเริ่มจากจุดใดนั้นขึ้นอยู่กับปริมาณการสรรหาและความรุนแรงของปัญหาการลาออกของแต่ละบริษัท แต่แนวทางปฏิบัติที่แนะนำคือให้เริ่มจากการลดภาระงานประจำ (Routine tasks) ก่อน แล้วจึงขยายผลไปยังด้านอื่น ๆ ตามความเหมาะสมโดยพิจารณาจากผลลัพธ์ที่เกิดขึ้นจริง

ในกระบวนการสรรหาบุคลากร การใช้ Generative AI จะเห็นผลลัพธ์ชัดเจนเป็นพิเศษใน 3 ขั้นตอน ได้แก่ การสร้างประกาศรับสมัครงาน การคัดกรองผู้สมัคร และการนัดหมายสัมภาษณ์ ในส่วนของการสร้างประกาศรับสมัครงาน เพียงแค่ระบุรายละเอียดงานและเงื่อนไขที่จำเป็น AI ก็สามารถร่างเนื้อหาทั้งภาษาไทยและภาษาอังกฤษได้ในเวลาอันสั้น ทำให้เจ้าหน้าที่สามารถโฟกัสไปที่การปรับสำนวนภาษาได้ โดยเฉพาะในสายงานที่มีศัพท์เฉพาะทางสูง เช่น ภาคการผลิตหรือสายงาน IT ซึ่งปกติจะต้องใช้เวลาตรวจสอบความถูกต้องของคำแปลภาษาไทยทีละจุด การใช้ร่างที่ AI สร้างขึ้นมาเป็นฐานในการแก้ไขจะช่วยประหยัดเวลาได้มากกว่าการแปลจากศูนย์อย่างมหาศาล

สำหรับการคัดกรองผู้สมัคร AI จะทำหน้าที่ประเมินความสอดคล้องระหว่างเรซูเม่กับ Job Description ในเบื้องต้น เพื่อลดภาระงานในขั้นตอนการคัดเลือกเอกสาร แม้ว่าการคัดกรองอัตโนมัติด้วยคะแนนจากวุฒิการศึกษาหรือจำนวนปีประสบการณ์จะดูเหมือนมีประสิทธิภาพ แต่ในความเป็นจริง การให้มนุษย์เข้ามาตรวจสอบผู้สมัครที่มีคะแนนต่ำแต่มีความเหมาะสมกับตำแหน่งงานสูง จะช่วยเพิ่มประสิทธิภาพได้โดยไม่ลดทอนคุณภาพการจ้างงาน ทั้งนี้ ในตลาดแรงงานไทย การวัดประสบการณ์การทำงานจริงและความยืดหยุ่นผ่านเอกสารเพียงอย่างเดียวนั้นทำได้ยาก บ่อยครั้งที่ประสบการณ์หน้างานที่ไม่ได้ระบุในช่องคุณวุฒิ หรือความสามารถในการใช้หลายภาษาคือตัวบ่งชี้ความเหมาะสมกับงานที่แท้จริง ดังนั้น การใช้ AI คัดกรองเบื้องต้นจึงควรวางตำแหน่งไว้เป็น "ตัวช่วยระบุผู้สมัครที่ควรให้ความสำคัญเป็นอันดับแรก" แทนที่จะใช้เป็นระบบเพื่อคัดคนออกเพียงอย่างเดียว หลายบริษัทที่กำหนดกฎให้เจ้าหน้าที่คัดเลือกเอกสารต้องตรวจสอบผู้สมัครที่มีคะแนนคาบเกี่ยวด้วยสายตาตนเอง แทนที่จะเชื่อคะแนนจาก AI เพียงอย่างเดียว พบว่าช่วยลดปัญหาการจ้างงานที่ไม่ตรงกับความต้องการได้

ในส่วนของการนัดหมายสัมภาษณ์ AI Chatbot จะเข้ามาช่วยจัดการตารางเวลาของทั้งผู้สมัครและผู้สัมภาษณ์ ซึ่งช่วยลดภาระในการประสานงานด้านภาษาหรือความแตกต่างของเวลาที่มักเกิดขึ้นในบริษัทญี่ปุ่น อย่างไรก็ตาม สำหรับการสื่อสารที่มีผลโดยตรงต่อการตัดสินใจของผู้สมัคร เช่น การแจ้งผลการสัมภาษณ์หรือการเจรจาต่อรองเงื่อนไขต่างๆ ควรให้มนุษย์เป็นผู้ตรวจสอบขั้นสุดท้ายเพื่อให้เกิดความปลอดภัยและน่าเชื่อถือ

คำถามที่พบบ่อยจากพนักงานที่ส่งถึงฝ่ายบุคคลมักเป็นเรื่องทั่วไปเกี่ยวกับเวลาทำงาน การลา และเงินเดือน เช่น จำนวนวันลาพักร้อนคงเหลือ วันตัดรอบคำนวณเงินเดือน หรือวิธีการแจ้งเมื่อมาสายหรือขาดงาน ซึ่งคำถามเหล่านี้มีเนื้อหาคล้ายเดิมทุกครั้ง จึงเหมาะอย่างยิ่งสำหรับการใช้ AI Chatbot เป็นด่านแรกในการตอบคำถาม

ตามกฎหมายคุ้มครองแรงงานของไทย กำหนดให้ลูกจ้างที่ทำงานติดต่อกันครบ 1 ปี มีสิทธิลาพักร้อนได้ไม่น้อยกว่า 6 วันทำการ สำหรับการลาคลอด ตามพระราชบัญญัติคุ้มครองแรงงาน (ฉบับที่ 9) พ.ศ. 2568 ซึ่งมีผลบังคับใช้ตั้งแต่วันที่ 7 ธันวาคม 2568 ได้มีการขยายระยะเวลาจาก 98 วัน เป็น 120 วัน และเพิ่มข้อกำหนดให้นายจ้างต้องจ่ายค่าจ้างระหว่างลาคลอดสูงสุด 60 วัน ทั้งนี้ ในช่วงที่มีการเปลี่ยนแปลงกฎระเบียบเช่นนี้ พนักงานมักจะสอบถามเข้ามาเป็นจำนวนมากในช่วงแรก หากมีการอัปเดตระเบียบภายในบริษัทล่าสุดไว้ใน AI Chatbot ก็จะช่วยลดภาระของฝ่ายบุคคลในการอธิบายเรื่องเดิมซ้ำๆ ได้

ในด้านการปฏิบัติงาน สิ่งที่ต้องระมัดระวังเป็นพิเศษคือการจัดการข้อมูลส่วนบุคคล เช่น ยอดเงินเดือนหรือจำนวนวันลาคงเหลือ ต้องมีการออกแบบระบบให้จำกัดขอบเขตการสร้างคำตอบไว้เฉพาะข้อมูลของพนักงานแต่ละคนเท่านั้น เพื่อป้องกันไม่ให้ข้อมูลของพนักงานคนอื่นปะปนกัน ทั้งนี้ การให้ AI ตอบคำถามควรเป็นเพียงการให้ข้อมูลเบื้องต้นเท่านั้น ส่วนกรณีที่ต้องใช้การตัดสินใจ เช่น ความผิดพลาดในการคำนวณเงินเดือนหรือการขอลาในกรณีพิเศษ ควรส่งต่อให้ฝ่ายบุคคลเป็นผู้ดำเนินการต่อ การเชื่อมต่อกับระบบบันทึกเวลาทำงาน (Time Attendance System) และระบบเงินเดือน (Payroll System) เป็นขั้นตอนถัดไปที่ควรพิจารณาเพื่อเพิ่มความแม่นยำในการตอบคำถาม

สำหรับการสนับสนุนการรักษาพนักงาน (Retention Support) นั้น กำลังมีการขยายตัวของการนำ AI มาวิเคราะห์ข้อมูลการเข้า-ออกงาน, คำตอบจากแบบสำรวจ และบันทึกการทำ 1on1 เพื่อตรวจจับสัญญาณการลาออกตั้งแต่เนิ่นๆ โดยการนำปัจจัยต่างๆ มาประมวลผลร่วมกัน เช่น ความผิดปกติในการเข้า-ออกงาน, อัตราการใช้ลาพักร้อนที่เปลี่ยนแปลงอย่างกะทันหัน หรือแนวโน้มคำตอบเชิงลบในแบบสอบถามภายในองค์กร จะช่วยให้สามารถมองเห็นกลุ่มพนักงานที่มีความเสี่ยงในการลาออกสูงขึ้นได้

คุณค่าของ AI คาดการณ์การลาออกไม่ได้อยู่ที่การให้คะแนน (Scoring) รายบุคคลอย่างฟันธง แต่อยู่ที่การจับแนวโน้มในระดับทีมหรือแผนก เพื่อให้ฝ่ายบุคคลสามารถคัดกรองกลุ่มเป้าหมายที่ควรให้ความสำคัญในการสัมภาษณ์ก่อน หากพบว่ามีการลาออกกระจุกตัวอยู่ในกลุ่มพนักงานที่เข้าทำงานได้ 1-3 ปี ก็สามารถนำไปสู่มาตรการต่างๆ เช่น การเพิ่มความถี่ในการสัมภาษณ์เพื่อติดตามผล (Onboarding Interview) สำหรับกลุ่มดังกล่าว ในทางกลับกัน หากเป็นกรณีที่ความเสี่ยงในการลาออกเพิ่มสูงขึ้นในกลุ่มที่ทำงานมาเกิน 5 ปี สาเหตุส่วนใหญ่มักไม่ได้มาจากค่าตอบแทน แต่มาจากความรู้สึกหยุดนิ่งในบทบาทหน้าที่หรือความไม่ชัดเจนของเส้นทางอาชีพ (Career Path) ซึ่งเนื้อหาที่ควรสอบถามในการสัมภาษณ์ก็จะแตกต่างไปจากเดิมอย่างสิ้นเชิง หากดูเพียงแค่คะแนนแล้วใช้วิธีการรับมือแบบเดียวกันหมด ก็อาจทำให้มองข้ามความแตกต่างของพนักงานแต่ละกลุ่มเหล่านี้ไปได้

การวิเคราะห์ความผูกพันของพนักงาน (Engagement Analysis) จำเป็นต้องคำนึงถึง PDPA เป็นพื้นฐาน เนื่องจากเป็นการจัดการกับข้อมูลการทำงานและคำตอบเชิงจิตวิทยาของพนักงาน ดังนั้นจึงจำเป็นต้องมีการอธิบายวัตถุประสงค์ในการวิเคราะห์และขอบเขตการใช้งานให้พนักงานทราบ รวมถึงดำเนินการตามขั้นตอนการขอความยินยอมหรือการแจ้งให้ทราบก่อนเริ่มใช้งานจริง

เนื่องจากโมเดลการคาดการณ์ตั้งอยู่บนข้อมูลในอดีต จึงเป็นเรื่องยากที่จะติดตามการเปลี่ยนแปลงของระบบใหม่หรือการเปลี่ยนแปลงของสภาพแวดล้อมทางธุรกิจที่เกิดขึ้นอย่างกะทันหัน ดังนั้น การตรวจสอบความแม่นยำของโมเดลอย่างสม่ำเสมอ และการที่ฝ่ายบุคคลคอยตรวจสอบว่าผลลัพธ์ที่ได้มีความคลาดเคลื่อนจากความเป็นจริงในหน้างานหรือไม่ จึงเป็นสิ่งที่ขาดไม่ได้ในการดำเนินงาน

สิ่งแรกที่ต้องเผชิญเมื่อนำ AI มาใช้ในงานด้านทรัพยากรบุคคล คือเรื่องของ "เส้นแบ่งที่ต้องรักษา" ก่อนที่จะไปถึงความสะดวกสบาย การจัดการข้อมูลของผู้สมัครและพนักงานนั้นเกี่ยวข้องกับกฎระเบียบของ PDPA อีกทั้งการตัดสินใจว่าจะให้ AI มีบทบาทในการคัดเลือกหรือประเมินผลมากน้อยเพียงใดนั้น หากไม่กำหนดขอบเขตความรับผิดชอบของมนุษย์ให้ชัดเจน ก็จะเกิดปัญหาในการแบ่งขอบเขตภายหลัง หากเข้าใจและควบคุมสองประเด็นนี้ได้ การพิจารณาขั้นตอนการนำไปใช้งานจริงก็ไม่ใช่เรื่องยากแต่อย่างใด

ประวัติย่อและบันทึกการสัมภาษณ์ของผู้สมัครงาน รวมถึงข้อมูลการลงเวลาทำงานและเงินเดือนของพนักงาน ถือเป็นข้อมูลส่วนบุคคลตามที่กฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทย (PDPA) กำหนด โดยกฎหมายฉบับนี้ประกาศใช้ในปี 2019 และมีผลบังคับใช้เต็มรูปแบบในเดือนมิถุนายน 2022 หลักการพื้นฐานในการนำ AI ด้านทรัพยากรบุคคลมาใช้คือ ต้องระบุวัตถุประสงค์ในการเก็บรวบรวมข้อมูลของผู้สมัครงานให้ชัดเจนล่วงหน้า และหลีกเลี่ยงการนำข้อมูลไปใช้ผิดวัตถุประสงค์

ตัวอย่างเช่น หากใช้ AI ในการคัดกรองประวัติย่อ จำเป็นต้องแจ้งให้ผู้สมัครทราบล่วงหน้าว่าจะมีการประเมินเบื้องต้นโดย AI รวมถึงแจ้งระยะเวลาในการเก็บรักษาข้อมูลและขอบเขตการใช้งาน ในกรณีที่นำข้อมูลการลงเวลาทำงานและการประเมินผลของพนักงานมาใช้ในการวิเคราะห์ เช่น การคาดการณ์การลาออก ก็ต้องดำเนินการในลักษณะเดียวกัน โดยควรหลีกเลี่ยงการนำข้อมูลไปใช้ในวัตถุประสงค์ที่เจ้าของข้อมูลไม่ได้คาดคิด

เมื่อใช้บริการ AI แบบคลาวด์ ข้อมูลอาจถูกประมวลผลในเซิร์ฟเวอร์ต่างประเทศ เนื่องจาก PDPA กำหนดให้ต้องตรวจสอบว่าปลายทางที่โอนข้อมูลไปนั้นมีมาตรฐานการคุ้มครองที่เพียงพอหรือไม่ ดังนั้น ก่อนการนำมาใช้งาน จึงจำเป็นต้องตรวจสอบภูมิภาคที่จัดเก็บข้อมูลของผู้ให้บริการ AI และระบบการจัดการของผู้รับจ้างช่วง

นอกจากนี้ การกำหนดให้ชัดเจนว่าใครในองค์กรเป็นผู้รับผิดชอบด้านการคุ้มครองข้อมูลถือเป็นสิ่งสำคัญในทางปฏิบัติ หากต้องการตรวจสอบแนวทางเพื่อให้สอดคล้องกับทั้ง PDPA และการใช้ AI อย่างเป็นระบบ สามารถดูข้อมูลอ้างอิงได้ที่ รายการตรวจสอบการปฏิบัติตามกฎหมายเพื่อสร้างสมดุลระหว่าง PDPA ของไทยกับการใช้ AI

การตัดสินใจรับเข้าทำงานหรือการประเมินผลงานเป็นเรื่องที่มีผลกระทบโดยตรงต่อชีวิตของผู้สมัครและพนักงาน ซึ่งเป็นการตัดสินใจที่มีความไม่สามารถย้อนกลับได้สูง การคัดกรองเอกสารหรือการคาดการณ์การลาออกด้วย AI เป็นเพียงข้อมูลสนับสนุนสำหรับการตัดสินใจเบื้องต้นเท่านั้น จึงควรคงระบบที่ให้มนุษย์เป็นผู้ตัดสินใจขั้นสุดท้ายในการรับเข้าทำงานหรือการประเมินผลไว้

ในมุมมองของ HITL (Human-in-the-Loop) การดำเนินการที่เป็นจริงคือการให้ระบบจัดการการคัดกรองเบื้องต้นในการตอบกลับผู้สมัครแบบ In the Loop ส่วนการประเมินการสัมภาษณ์และการตัดสินใจรับเข้าทำงานนั้น ควรเป็นรูปแบบ On the Loop ที่มนุษย์ต้องตรวจสอบและตัดสินใจในแต่ละกรณี หากนำคะแนนหรือลำดับที่ AI เสนอมาใช้ตัดสินใจรับเข้าทำงานโดยตรง อาจนำไปสู่การผลิตซ้ำของการตัดสินใจที่มีอคติต่อคุณลักษณะต่างๆ เช่น วุฒิการศึกษา เพศ หรืออายุ

ในการปฏิบัติงานจริง รูปแบบที่เหมาะสมคือการนำเสนอผลการประเมินของ AI พร้อมระบุ "เหตุผลที่ตัดสินใจเช่นนั้น" ให้แก่ฝ่ายบุคคล เพื่อให้ผู้รับผิดชอบนำเนื้อหาการสัมภาษณ์และข้อมูลหน้างานมาประกอบการตัดสินใจขั้นสุดท้าย โดยเฉพาะการตัดสินใจที่มีผลกระทบต่อพนักงานสูง เช่น การเลิกจ้าง การลดตำแหน่ง หรือการปรับลดผลการประเมิน ไม่ควรเชื่อข้อเสนอของ AI เพียงอย่างเดียว แต่ควรผ่านการตรวจสอบโดยบุคคลหลายฝ่าย ทั้งในแง่ของกฎหมายแรงงานและ PDPA การคงความรับผิดชอบที่อธิบายได้ของมนุษย์ไว้ในกระบวนการตัดสินใจจะช่วยหลีกเลี่ยงปัญหาที่อาจเกิดขึ้นในภายหลังได้

การนำ AI มาใช้ในงานทรัพยากรบุคคลควรเริ่มจากการคัดเลือกงานที่จะนำไปใช้ ตามด้วยการทำระบบตอบกลับผู้สมัครงานให้เป็นอัตโนมัติ และขยายผลไปยังการตอบคำถามภายในองค์กรอย่างเป็นลำดับขั้น ซึ่งเป็นวิธีที่ช่วยให้เกิดการใช้งานจริงได้ง่ายที่สุด การค่อยๆ ดำเนินการผ่าน 3 ขั้นตอนนี้โดยวัดผลไปพร้อมกัน แทนที่จะขยายไปสู่ทุกงานในคราวเดียว จะช่วยลดภาระของหน้างานและสร้างผลลัพธ์ที่มั่นคงได้อย่างต่อเนื่อง

ก้าวแรกของการนำ AI มาใช้ในงานทรัพยากรบุคคล (HR) คือการสำรวจและจัดระเบียบงานที่มีอยู่ โดยจุดเริ่มต้นคือการคัดเลือกงานจากขอบเขตที่กว้างขวาง ตั้งแต่การสรรหาบุคลากร งานด้านแรงงานสัมพันธ์ ไปจนถึงการสนับสนุนให้พนักงานอยู่กับองค์กร โดยเน้นงานที่มี "ความถี่สูงและมีช่องว่างให้ตัดสินใจน้อย" เป็นอันดับแรก

งานที่มักถูกนำมาพิจารณาในหน้างานจริง ได้แก่ การตรวจสอบเอกสารการสมัครงานเบื้องต้น, การตอบคำถามเกี่ยวกับเวลาเข้า-ออกงานและวันลา, และการรวบรวมข้อมูลเวลาทำงานก่อนการคำนวณเงินเดือน งานเหล่านี้เกิดขึ้นเป็นประจำทุกสัปดาห์หรือทุกเดือน และมีแนวโน้มที่จะเน้นการประมวลผลตามกฎระเบียบมากกว่าการใช้ดุลยพินิจของเจ้าหน้าที่ ในทางกลับกัน งานที่ต้องอาศัยการตัดสินใจที่สำคัญโดยคำนึงถึงสถานการณ์เฉพาะบุคคล เช่น การประเมินผลการสัมภาษณ์รอบสุดท้าย หรือการตัดสินใจเรื่องการลงโทษทางวินัย ควรหลีกเลี่ยงที่จะนำมาเป็นเป้าหมายในระยะเริ่มต้น

ในการคัดเลือกงาน ควรจัดระเบียบโดยใช้ "ปริมาณงาน" และ "ความเป็นรูปแบบมาตรฐาน (Standardization)" เป็นแกนหลักในการตัดสินใจ ตัวอย่างเช่น คำถามจากผู้สมัครว่า "จะทราบผลการคัดเลือกเมื่อไหร่" เป็นงานที่มีความถี่สูงและคำตอบสามารถทำเป็นรูปแบบมาตรฐานได้ง่าย จึงถือเป็นงานที่มีลำดับความสำคัญสูง ในขณะที่งานอย่างการสัมภาษณ์พนักงานที่ลาออกหรือการให้ข้อมูลป้อนกลับเรื่องผลการประเมิน ซึ่งต้องอาศัยความละเอียดอ่อนต่ออารมณ์และสถานการณ์ของพนักงาน ไม่เหมาะที่จะมอบหมายให้ AI รับผิดชอบ

การเริ่มต้นจากจุดเล็กๆ เพื่อวัดผลและค่อยๆ ขยายขอบเขตงานออกไปทีละขั้นตอน จะนำไปสู่การนำ AI มาใช้ในงาน HR ของไทยได้อย่างราบรื่นและไม่ฝืนจนเกินไป

ในขั้นตอนแรกของการรับสมัครงาน AI Chatbot จะทำหน้าที่รับสมัครงาน จัดตารางนัดหมาย และตอบคำถามที่พบบ่อย เพื่อให้ฝ่ายบุคคลสามารถใช้เวลาไปกับการสัมภาษณ์งานได้โดยตรง ซึ่งข้อได้เปรียบในทางปฏิบัติคือสามารถรองรับการตอบกลับเบื้องต้นได้ตลอด 24 ชั่วโมง แม้ในช่วงที่มีการสมัครเข้ามาเป็นจำนวนมาก

สำหรับการคัดกรองเอกสาร จะใช้ Multilingual NLP ในการตรวจสอบเนื้อหาในเรซูเม่และจดหมายสมัครงาน (Cover Letter) เทียบกับข้อกำหนดของตำแหน่งงาน เพื่อคัดเลือกผู้สมัครที่มีทักษะจำเป็นและจำนวนปีของประสบการณ์ตรงตามเงื่อนไข สิ่งสำคัญคือต้องมีกฎการดำเนินงานว่า AI จะทำหน้าที่เป็นเพียง "ตัวช่วยในการคัดกรอง" เท่านั้น ไม่ใช่ผู้ตัดสินผลการสมัคร

ตัวอย่างเช่น ในการรับสมัครพนักงานหน้าร้านหรือพนักงานสายการผลิตที่มีจำนวนผู้สมัครมาก แทนที่จะให้ระบบคัดผู้สมัครที่ไม่ผ่านเกณฑ์ออกโดยอัตโนมัติ การใช้วิธีนำเสนอเฉพาะผู้สมัครที่มีความสำคัญลำดับต้นๆ ให้ฝ่ายบุคคลพิจารณาจะช่วยลดความเสี่ยงในการมองข้ามผู้สมัครที่มีศักยภาพ ในทางกลับกัน สำหรับการจ้างงานระดับบริหารหรือตำแหน่งผู้เชี่ยวชาญ ควรลดสัดส่วนการประเมินเบื้องต้นโดย AI และให้การตัดสินใจของผู้สัมภาษณ์เป็นหลักจะเหมาะสมกว่า

ในช่วงเริ่มต้นของการนำมาใช้งาน ควรออกแบบให้เจ้าหน้าที่สามารถตรวจสอบเหตุผลของคะแนนที่ AI ประเมินได้ และหากพบกรณีที่ไม่สามารถอธิบายเหตุผลในการคัดออกได้ ก็ควรทบทวนเกณฑ์การคัดเลือกใหม่ ซึ่งจะนำไปสู่การป้องกันอคติ (Bias) ในภายหลังได้อีกด้วย

เมื่อการตอบกลับผู้สมัครงานเริ่มเข้าที่แล้ว ขั้นตอนถัดไปคือการขยายขอบเขตไปยังการตอบคำถามภายในจากพนักงานปัจจุบัน คำถามที่ฝ่ายบุคคลได้รับเป็นประจำ เช่น การลงเวลาทำงาน, จำนวนวันลาคงเหลือ, กฎการคำนวณเงินเดือน และการตรวจสอบระบบวันลาตามกฎหมายคุ้มครองแรงงานนั้น สามารถจัดรูปแบบได้ง่ายและเหมาะสำหรับการใช้ AI Chatbot เป็นช่องทางตอบกลับด่านแรก

เชื่อว่ามีเจ้าหน้าที่หลายคนที่มีประสบการณ์ "ต้องตอบคำถามเดิมซ้ำๆ ทุกเดือน" เป็นเวลานานหลายชั่วโมง คำถามเกี่ยวกับการได้รับสิทธิ์วันลาพักร้อนหรือความเป็นไปได้ในการลาคลอดนั้นมีความถี่สูง ในขณะที่เนื้อหาคำตอบมีความตายตัวตามระเบียบข้อบังคับ ดังนั้น การให้ AI รับหน้าที่ตอบคำถามด่านแรก และส่งต่อเฉพาะกรณีที่มีความซับซ้อนหรือเกี่ยวข้องกับสถานการณ์เฉพาะบุคคลให้เจ้าหน้าที่ฝ่ายบุคคลดูแลต่อ จึงเป็นแนวทางปฏิบัติที่สมเหตุสมผล

หลังจากเริ่มใช้งานแล้ว ควรวัดผลด้วยตัวชี้วัด (KPI) แทนการใช้ความรู้สึก โดยการติดตามผลรายเดือน เช่น อัตราการลดลงของจำนวนคำถาม, อัตราการแก้ไขปัญหาได้ตั้งแต่การตอบครั้งแรก, อัตราการส่งต่อเรื่องให้เจ้าหน้าที่ และการเปลี่ยนแปลงของความพึงพอใจของพนักงาน เพื่อประเมินว่าการใช้ AI ช่วยลดภาระงานได้จริงหรือไม่ หากไม่เห็นผลลัพธ์ที่ชัดเจน อาจต้องพิจารณาทบทวนความครอบคลุมของคำถามที่คาดการณ์ไว้ รวมถึงความแม่นยำในการตอบกลับทั้งภาษาไทยและภาษาอังกฤษ การเริ่มต้นวัดผลในวงแคบก่อนขยายขอบเขต และการตัดสินใจลงทุนในขั้นถัดไปโดยอ้างอิงจากตัวเลข คือทางลัดสู่ความสำเร็จในการนำระบบมาใช้จริง

AI คาดการณ์การลาออกเป็นเครื่องมือในการตรวจจับพนักงานที่มีความเสี่ยงสูงในการลาออกล่วงหน้า แต่ความแม่นยำนั้นมีขีดจำกัดและผลลัพธ์จะขึ้นอยู่กับวิธีการใช้งาน เราจะมาสรุปกันว่าควรใช้ข้อมูลใดและจะนำผลการคาดการณ์ไปปรับใช้ในหน้างานจริงอย่างไร

คะแนนจาก AI คาดการณ์การลาออกเปรียบเสมือนผลตรวจสุขภาพ ตัวเลขที่สูงไม่ใช่ปัญหาในตัวมันเอง แต่หัวใจสำคัญคือการใช้เป็นจุดเริ่มต้นในการทบทวนวิถีการทำงาน การที่หัวหน้างานลดคะแนนประเมินพนักงานที่ถูกระบุว่ามีความเสี่ยงสูงในการลาออก หรือนำชื่อไปขึ้นบัญชีรายชื่อเพื่อพิจารณาโยกย้ายโดยกะทันหันนั้น เป็นวิธีที่ควรหลีกเลี่ยง

ในทางปฏิบัติ มักพบกรณีที่หน้างานนำผลการคาดการณ์ไปใช้เป็นเครื่องมือในการประเมินผลงานหรือการสอดส่องดูแล หากพนักงานทราบถึงการมีอยู่ของคะแนนดังกล่าว อาจนำไปสู่ความไม่ไว้วางใจว่าตนกำลังถูกจับตามอง ซึ่งถือเป็นผลเสียที่ส่งผลกระทบต่อความผูกพันต่อองค์กร (Engagement) ให้แย่ลงกว่าเดิม

ในเชิงปฏิบัติ การดำเนินงานที่เหมาะสมสำหรับพนักงานที่มีความเสี่ยงสูงคือ การให้หัวหน้างานจัดให้มีการพูดคุยแบบ 1on1 โดยใช้ผลคะแนนเป็นจุดเริ่มต้นของการสนทนา เช่น "ช่วงนี้ปริมาณงานเป็นอย่างไรบ้าง" หรือ "มีความกังวลเรื่องเส้นทางอาชีพหรือไม่"

หากผลจากการพูดคุยพบว่าสาเหตุมาจากภาระงานหรือความสัมพันธ์ระหว่างบุคคล ก็สามารถนำไปสู่การแก้ไขปัญหาอย่างเป็นรูปธรรม เช่น การปรับเปลี่ยนตำแหน่งงานหรือการปรับภาระงาน การคาดการณ์เป็นเพียงเครื่องมือที่ช่วยให้รับรู้ปัญหาได้รวดเร็วขึ้นเท่านั้น การที่มนุษย์ยังคงเป็นผู้รับผิดชอบในการตัดสินใจและจัดการขั้นสุดท้าย ถือเป็นเงื่อนไขสำคัญในการใช้งาน AI คาดการณ์การลาออกอย่างเหมาะสมและยั่งยืน

การนำ AI มาใช้ในงานทรัพยากรบุคคลโดยละเลยเรื่องความแม่นยำและความเป็นธรรมอาจนำไปสู่ปัญหาที่ไม่คาดคิดได้ โดยเฉพาะอคติในการคัดกรองด้วย AI และการขาดความพร้อมในการรองรับเรซูเม่ที่ใช้ทั้งภาษาไทยและภาษาอังกฤษปนกัน ซึ่งเป็นจุดบอดที่มักถูกมองข้าม ต่อไปนี้เราจะมาดูรูปแบบความล้มเหลวที่พบบ่อยและแนวทางแก้ไขอย่างเป็นรูปธรรม

การมอบหมายหน้าที่คัดกรองผู้สมัครงานให้กับ AI มักก่อให้เกิดปัญหาที่แนวโน้มซึ่งแฝงอยู่ในข้อมูลการจ้างงานในอดีตถูกสะท้อนออกมาเป็นเกณฑ์การประเมินโดยตรง ตัวอย่างเช่น หากประวัติการจ้างงานที่ผ่านมาให้ความสำคัญกับผู้ที่จบจากมหาวิทยาลัยเฉพาะกลุ่ม เพศ หรือช่วงอายุใดช่วงอายุหนึ่ง AI จะเรียนรู้แนวโน้มเหล่านั้นว่าเป็น "รูปแบบที่พึงประสงค์" และให้คะแนนผู้สมัครที่มีคุณลักษณะคล้ายคลึงกันสูง ในขณะที่มีรายงานว่าผู้สมัครที่มีศักยภาพแต่มีภูมิหลังที่แตกต่างออกไปกลับถูกประเมินในระดับต่ำ

ในตลาดแรงงานของไทยซึ่งมักมีบุคลากรที่มีวุฒิการศึกษาและประสบการณ์ที่หลากหลาย ความลำเอียงเช่นนี้ไม่เพียงแต่จะลดคุณภาพของการจ้างงาน แต่ยังอาจนำไปสู่การสูญเสียความเชื่อมั่นจากผู้สมัครอีกด้วย

สำหรับแนวทางแก้ไข ขั้นตอนพื้นฐานคือการคัดกรองคุณลักษณะที่ไม่เกี่ยวข้องโดยตรงกับความเหมาะสมของงานออกจากเกณฑ์การประเมิน เช่น เพศ อายุ หรือภูมิภาคที่สำเร็จการศึกษา นอกจากนี้ การให้ฝ่ายทรัพยากรบุคคลสุ่มตรวจสอบผลการประเมินจาก AI เป็นระยะ เพื่อเช็กว่ามีแนวโน้มการตัดสินผ่านหรือไม่ผ่านที่เอนเอียงไปยังคุณลักษณะเฉพาะกลุ่มหรือไม่ ถือเป็นวิธีการดำเนินงานที่มีประสิทธิภาพ

หากยังคงรักษาโครงสร้างที่ให้มนุษย์เป็นผู้ตัดสินใจขั้นสุดท้ายในการรับหรือไม่รับเข้าทำงาน การประเมินของ AI ก็จะถูกใช้เป็นเพียงข้อมูลอ้างอิงสำหรับการคัดกรองเบื้องต้นเท่านั้น ทั้งนี้ หากไม่สามารถอธิบายเหตุผลเบื้องหลังการตัดสินใจได้ จำเป็นต้องทบทวนเกณฑ์การประเมินนั้นๆ ใหม่

เรซูเม่ที่ผู้สมัครชาวไทยยื่นเข้ามามักพบกรณีที่มีทั้งภาษาไทยและภาษาอังกฤษปะปนกันในเอกสารฉบับเดียว ไม่ใช่เรื่องแปลกที่จะพบโครงสร้างที่ชื่อวุฒิการศึกษาหรือใบรับรองเป็นภาษาอังกฤษ แต่ส่วนของแรงจูงใจในการสมัครงานหรือการแนะนำตัวเองเขียนเป็นภาษาไทย รูปแบบนี้มักทำให้ AI แชทบอทหรือเครื่องมือวิเคราะห์เอกสารทั่วไปที่รองรับเพียงภาษาเดียวเกิดการจดจำจุดแบ่งของหัวข้อผิดพลาด ซึ่งเป็นสาเหตุที่ทำให้ความแม่นยำในการคัดกรองลดลง

ในตอนแรกอาจดูเหมือนว่าการบังคับให้ผู้สมัครใช้รูปแบบที่เป็นภาษาอังกฤษเพียงอย่างเดียวจะช่วยแก้ปัญหานี้ได้ แต่ในความเป็นจริง การปล่อยให้ยื่นเป็นภาษาไทยตามเดิมแล้วนำไปวิเคราะห์ด้วยโมเดลที่รองรับ Multilingual NLP (การประมวลผลภาษาธรรมชาติแบบหลายภาษา) มักจะให้ความแม่นยำที่สูงกว่า เนื่องจากข้อกำหนดเรื่องรูปแบบที่เข้มงวดจะเพิ่มภาระให้กับผู้สมัครและมีความเสี่ยงที่จะทำให้จำนวนผู้สมัครลดลง

แนวทางแก้ไขที่มีประสิทธิภาพคือ การเพิ่มขั้นตอนการวิเคราะห์ภาษาไทยและอังกฤษแยกตามหัวข้อก่อนการวิเคราะห์เรซูเม่ เพื่อสกัดข้อมูลออกมาเป็นข้อมูลที่มีโครงสร้าง (Structured Data) เช่น ประวัติการทำงานหรือวุฒิการศึกษา เนื่องจากความแม่นยำในการแบ่งคำเมื่อมีหลายภาษาปะปนกันจะขึ้นอยู่กับการออกแบบ BPE Tokenizer (Byte-Pair Encoding Tokenizer) ดังนั้น การเลือกใช้โมเดลที่รองรับภาษาไทยซึ่งผ่านการพิสูจน์แล้วว่าใช้งานได้จริงจึงเป็นเงื่อนไขที่สำคัญเช่นกัน

Q1. บริษัทญี่ปุ่นขนาดกลางและขนาดย่อมสามารถนำ AI มาใช้ในงานทรัพยากรบุคคลได้หรือไม่? สามารถทำได้ครับ ปัจจุบันมีหลายบริษัทที่เริ่มจาก MVP (Minimum Viable Product) โดยจำกัดขอบเขตเฉพาะงานประจำ เช่น การตอบกลับผู้สมัครงานอัตโนมัติ หรือการตอบคำถามเกี่ยวกับเวลาเข้า-ออกงานและการลา โดยไม่จำเป็นต้องลงทุนในระบบขนาดใหญ่ ซึ่งสามารถใช้วิธีผสมผสานเครื่องมือพัฒนาแบบ No-code/Low-code อย่าง n8n เข้ากับแชททูลที่มีอยู่เดิมได้

Q2. การคัดกรองผู้สมัครงานด้วย AI จะมีปัญหาเรื่อง PDPA หรือไม่? การคัดกรองไม่ได้ถูกห้าม แต่มีเงื่อนไขว่าต้องระบุวัตถุประสงค์ในการเก็บรวบรวมและใช้ข้อมูลส่วนบุคคลให้ผู้สมัครทราบอย่างชัดเจนและได้รับความยินยอมก่อน ควรหลีกเลี่ยงการใช้งานแบบ "Black Box" ที่ไม่สามารถอธิบายเหตุผลในการตัดสินใจได้ และจำเป็นต้องมีระบบที่ให้มนุษย์ตรวจสอบผลการประเมินจาก AI อีกครั้งก่อนตัดสินใจรับเข้าทำงาน รายละเอียดเพิ่มเติมสามารถตรวจสอบได้ที่ รายการตรวจสอบการปฏิบัติตามกฎหมาย PDPA ของไทยควบคู่ไปกับการใช้ AI

Q3. AI คาดการณ์การลาออกมีความน่าเชื่อถือเพียงใด? การคาดการณ์การลาออกเป็นการแสดงแนวโน้มจากข้อมูลเวลาเข้า-ออกงานหรือบันทึกการสัมภาษณ์ ไม่ใช่การสรุปว่าบุคคลนั้นจะลาออกอย่างแน่นอน ในทางปฏิบัติควรใช้ข้อมูลนี้เป็นกระบวนการให้มนุษย์เข้าไปตรวจสอบสถานการณ์ เช่น การจัดให้พนักงานที่มีคะแนนความเสี่ยงสูงได้พูดคุยกับหัวหน้างานโดยตรง

Q4. แชทบอท AI ที่รองรับภาษาไทย สามารถบริหารจัดการโดยผู้จัดการชาวญี่ปุ่นเพียงอย่างเดียวได้หรือไม่? สามารถทำได้ แต่หากมีระบบให้พนักงานชาวไทยช่วยตรวจสอบเนื้อหาการตอบกลับภาษาไทยเป็นระยะ จะช่วยเพิ่มความแม่นยำและความน่าเชื่อถือได้ดียิ่งขึ้น แม้จะเป็นเครื่องมือที่ใช้ Multilingual NLP (การประมวลผลภาษาธรรมชาติหลายภาษา) แต่ก็ยังจำเป็นต้องลงทะเบียนคำศัพท์เฉพาะทางด้านแรงงานหรือคำเรียกเฉพาะภายในบริษัทไว้ล่วงหน้า

Q5. จะวัดผลลัพธ์ของการนำ AI มาใช้ได้อย่างไร? หลายบริษัทมักใช้ตัวชี้วัด เช่น การลดระยะเวลาในการตอบกลับผู้สมัครงานในขั้นต้น, การลดภาระงานของเจ้าหน้าที่ฝ่ายบุคคลในการคัดกรองเอกสาร และการเปลี่ยนแปลงของอัตราการลาออก เป็นต้น ในการวัด AI ROI (ผลตอบแทนจากการลงทุนใน AI) วิธีที่ทำได้จริงคือการบันทึกภาระงานหรืออัตราการลาออกก่อนเริ่มใช้งาน แล้วนำมาเปรียบเทียบกับการเปลี่ยนแปลงในช่วงหลายเดือนหลังจากเริ่มใช้งานครับ

การนำ AI มาใช้ในงานด้านทรัพยากรบุคคลและการสรรหาบุคลากรในประเทศไทย ควรเริ่มต้นจากงานประจำที่ใช้เวลามาก เช่น การตอบกลับผู้สมัครงาน หรือการตอบคำถามเกี่ยวกับเวลาทำงานและวันลา ซึ่งเป็นแนวทางที่ทำได้จริง การทำให้การคัดกรองเอกสารและการตอบคำถามภายในองค์กรเป็นระบบอัตโนมัติจะช่วยเพิ่มเวลาให้ฝ่ายบุคคลสามารถนำไปใช้กับการสัมภาษณ์ผู้สมัครหรือการพูดคุยกับพนักงานที่มีความเสี่ยงในการลาออกสูง ซึ่งจะช่วยรับมือกับปัญหาเชิงโครงสร้างอย่างการแข่งขันในการสรรหาบุคลากรและอัตราการลาออกที่สูงได้

การคาดการณ์การลาออกและการวิเคราะห์ความผูกพันของพนักงาน (Engagement) ควรดำเนินการในฐานะเครื่องมือสำหรับหาโอกาสในการพูดคุย ไม่ใช่ระบบเพื่อเฝ้าติดตามพนักงาน ซึ่งจะนำไปสู่การปรับปรุงอัตราการรักษาพนักงานได้โดยตรง นอกจากนี้ การคงไว้ซึ่งระบบที่ให้มนุษย์เป็นผู้ตัดสินใจขั้นสุดท้ายในการรับเข้าทำงานหรือการประเมินผล และการจัดการข้อมูลให้สอดคล้องกับ PDPA อย่างเคร่งครัดเป็นสิ่งที่ขาดไม่ได้

เมื่อพิจารณาถึงการสร้างสมดุลระหว่าง PDPA และการใช้ AI อย่างเป็นรูปธรรม ควรศึกษา รายการตรวจสอบการปฏิบัติตามกฎหมายเพื่อสร้างสมดุลระหว่าง PDPA และการใช้ AI ในประเทศไทย ควบคู่ไปด้วย โดยเริ่มจากการนำไปใช้ในขอบเขตเล็กๆ เพื่อวัดผลและค่อยๆ ขยายขอบเขตงานให้ครอบคลุมมากขึ้น ซึ่งเป็นทางลัดที่ทำได้จริงในการสร้างระบบที่ช่วยให้พนักงานไม่ลาออก