AI Readiness Persona 5 แบบ: ออกแบบ Change Plan ตาม Enthusiast, Curious, Cautious, Sceptic และ Opposed

ทำไมการเรียกทุกคนว่าต้านการเปลี่ยนแปลงจึงไม่ช่วย?

เมื่อ rollout AI ไม่เดิน คำอธิบายที่ง่ายที่สุดคือพนักงานไม่เปิดใจ แต่คนที่ไม่ใช้เครื่องมืออาจมีเหตุผลต่างกันมาก บางคนยังไม่เห็นประโยชน์ บางคนเห็นประโยชน์แต่กังวลข้อมูล บางคนกลัวว่างานจะหาย และบางคนกำลังทดสอบอย่างเงียบ ๆ เพราะไม่อยากเสี่ยงต่อหน้าทีม

ถ้า HR ตอบทุกเหตุผลด้วย training หลักสูตรเดียว คนอยากลองจะเบื่อ คนระวังจะรู้สึกว่าไม่มีใครฟัง และคนกังวลเรื่องงานจะได้คำตอบเรื่อง prompt แทนคำตอบเรื่องอนาคต การเปลี่ยนแปลงจึงดูเหมือนเดินหน้าในห้องประชุมแต่ติดอยู่ใน workflow จริง

AI Readiness Persona ช่วยแยกความต้องการก่อนออกแบบ intervention จุดสำคัญคือ persona อธิบายท่าทีต่อ use case ณ เวลาหนึ่ง ไม่ใช่นิสัยถาวรของคนเดียวกัน พนักงานอาจ Enthusiast กับ AI สรุปเอกสาร แต่ Cautious กับ AI ประเมินผลงานได้พร้อมกัน

โมเดล AI readiness 5 persona มาจากไหน?

บทความ WEF วันที่ 1 มิถุนายน 2026 อ้างงานศึกษาสองช่วงที่ใช้ sentiment analysis จากพื้นที่ social media สาธารณะร่วมกับการสัมภาษณ์เชิงลึกหลายอุตสาหกรรม และเสนอห้า archetype: AI enthusiasts, AI curious, AI cautious, AI sceptics และ AI opposed

งานยังชี้ความต่างระหว่าง frontstage compliance กับ backstage resistance คือคนอาจแสดงว่าทำตามเมื่ออยู่ต่อหน้าผู้บริหาร แต่หลีกเลี่ยง วิจารณ์ หรือหาทางชะลอในพื้นที่ไม่เป็นทางการ แม้แต่ champion บางคนก็อาจสงสัยประสิทธิผลเป็นการส่วนตัว

โมเดลนี้มีประโยชน์เพราะเตือนว่า adoption เป็นพฤติกรรมทางสังคม ไม่ใช่ binary flag แต่หน้าเผยแพร่ไม่ได้ให้ขนาดตัวอย่าง เกณฑ์จำแนก หรือสัดส่วนประชากรครบ จึงไม่ควรสร้างแบบทดสอบแล้วประกาศว่า 27% ของบริษัทเป็น sceptic โดยอ้างโมเดลนี้เพียงแหล่งเดียว

persona ทั้งห้าแตกต่างกันอย่างไร?

Enthusiast สนใจนวัตกรรม ความเร็ว และความได้เปรียบ พร้อมเป็น champion แต่เสี่ยงทดลองเกินขอบเขตหรือสรุปจาก success case เร็วเกินไป Curious มองเห็นศักยภาพแต่ยังถามเรื่องความแม่น ความเข้ากันกับงาน และวิธีใช้จริง ต้องการพื้นที่ลองที่แรงกดดันต่ำ

Cautious มองเห็นความเสี่ยงข้อมูล จริยธรรม และผลต่อความสัมพันธ์ของคน ไม่ได้ปฏิเสธเทคโนโลยี แต่ต้องเห็น guardrail, human review และช่องทางหยุด Sceptic ต้องการหลักฐานเชิงประจักษ์และการเปรียบเทียบกับวิธีเดิม การให้ testimonial เพิ่มมักไม่ตอบคำถาม

Opposed มีความกังวลลึกเรื่องการแทนงาน การเฝ้าระวัง อำนาจ หรือคุณค่าความเป็นมนุษย์ การบังคับ usage อาจทำให้ compliance ต่อหน้าเพิ่ม แต่ความไว้ใจลดลง กลุ่มนี้ต้องได้ยินขอบเขตการใช้ข้อมูล ผลต่อบทบาท และสิทธิ์คัดค้านอย่างตรงไปตรงมา

ควรออกแบบ response matrix แบบใด?

Response Matrix ของ HisTech จับคู่ persona กับความต้องการ intervention และ evidence ไม่ใช่จับคู่กับสื่อประชาสัมพันธ์ คนแต่ละกลุ่มควรได้รับเส้นทางเข้าร่วมที่ต่างกันแต่ใช้ outcome และ guardrail เดียวกัน เพื่อไม่สร้างมาตรฐานสองชุด

• Enthusiast: ให้ pilot charter, data boundary, incident duty และงานเก็บ reusable practice ไม่ใช่ให้สิทธิ์ทดลองไร้ขอบเขต

• Curious: ให้ sandbox, example workflow, office hour และ checklist เปรียบเทียบ output โดยไม่ผูกกับ deadline จริง

• Cautious: เปิด risk assessment, human review, retention rule และช่องทางรายงานปัญหา พร้อมเชิญร่วม red-team

• Sceptic: ทำ A/B หรือ before-after test ที่เกณฑ์ชัด เปิดทั้งผลดีและ failure รวมต้นทุนเวลาตรวจ

• Opposed: คุยผลต่อบทบาท ข้อมูลที่เก็บ สิทธิ์ appeal และทางเลือกในช่วงเปลี่ยนผ่าน หลีกเลี่ยงการใช้ champion ไปโน้มน้าวแทนผู้บริหาร

จะวินิจฉัย readiness โดยไม่เฝ้าระวังพนักงานได้อย่างไร?

เริ่มจาก use case ไม่เริ่มจากชื่อคน ถามแบบไม่ระบุตัวตนว่าทีมเห็นประโยชน์อะไร กังวลอะไร ต้องการหลักฐานแบบใด และมีเงื่อนไขใดที่ไม่ควรใช้ AI จากนั้นทำ focus group แยกบทบาทเพื่อฟังผลต่อ workflow โดยไม่ขอให้พนักงานเปิดประวัติ prompt ส่วนตัว

อย่าแปลง persona เป็น field ใน HRIS หรือคะแนน performance เพราะสิ่งนั้นจะสร้างเหตุผลใหม่ให้คนซ่อนความกังวล OECD ระบุว่าการ training และปรึกษาคนทำงานสัมพันธ์กับผลลัพธ์ที่ดีกว่า ขณะที่ NIST Measure 3.3 แนะนำให้มี feedback และ appeal จากผู้ใช้กับชุมชนที่ได้รับผลกระทบอยู่ใน metric ของระบบ

รายงานเฉพาะ pattern ระดับทีม เช่นคำถามที่ยังตอบไม่ได้ เงื่อนไขทดลอง และความเสี่ยงที่ถูกพูดซ้ำ ให้เจ้าของโครงการรับผิดชอบปิดช่องว่าง ไม่ใช่ส่งรายชื่อคนที่ยังไม่พร้อมให้หัวหน้าติดตาม

Change Plan 4 สัปดาห์ควรทำอะไร?

สัปดาห์แรกตั้ง listening baseline ด้วย survey สั้นและ interview workflow สัปดาห์สองเปิด sandbox พร้อม demo ของงานจริงและเผย guardrail สัปดาห์สามให้แต่ละ persona มีบทบาทใน pilot เช่น champion สอนวิธี, sceptic ออกแบบ comparison, cautious ตรวจ risk และผู้กังวลร่วมกำหนด red line

สัปดาห์สี่ทำ evidence review แบบเปิด เผยคุณภาพ เวลาตรวจ ข้อผิดพลาด เหตุการณ์ข้อมูล และ feedback อย่าเปิดเฉพาะค่าเฉลี่ย เพราะ use case ที่เร็วขึ้น 30% แต่อัตรา rework ของกลุ่มหนึ่งเพิ่มอาจยังไม่พร้อมขยาย

ข้อมูลไทยของ Microsoft ช่วยตั้งบริบทว่า manager behavior สำคัญ กลุ่ม Frontier Professionals รายงานการเห็นผู้จัดการใช้ AI การมีพื้นที่ทดลอง และการสนับสนุน redesign สูงกว่ากลุ่มอื่น แต่ใช้ตัวเลขนี้เป็นคำถามออกแบบ ไม่ใช่ target บังคับผู้จัดการทุกคนให้โชว์ prompt

วัดผลและกำหนด stop condition อย่างไร?

วัดสามแกนพร้อมกัน: evidence readiness คือทีมตอบคำถามคุณภาพและความเสี่ยงได้หรือไม่; workflow outcome คือ cycle time, rework และคุณภาพดีขึ้นหรือไม่; trust signal คือคนกล้ารายงานปัญหาและใช้ช่องทาง appeal หรือไม่ จำนวน usage เป็นเพียง leading signal ไม่ใช่คำตอบ

กำหนด stop condition ล่วงหน้า เช่นเกิดการใช้ข้อมูลนอกขอบเขต ไม่มีคนรับผิดชอบ output อัตราผิดเกิน threshold หรือพนักงานถูกบังคับเปิดข้อมูลส่วนตัวเพื่อพิสูจน์ adoption เมื่อชนเงื่อนไขต้อง pause และแก้ ไม่ตีความว่าเป็น resistance

การเปลี่ยน persona ไม่ใช่ KPI ความสำเร็จ เป้าหมายคือทีมตัดสินใจบนหลักฐานได้ดีขึ้น คนอาจยัง Cautious หลัง pilot แต่ถ้ารู้ guardrail และรายงานปัญหาได้ นั่นอาจเป็น readiness ที่องค์กรต้องการ

ข้อจำกัดที่ Admin ต้องพิจารณาคืออะไร?

โมเดลห้า persona เป็น qualitative archetype จากบทความ WEF ไม่ใช่เครื่องมือ psychometric และยังไม่มีหลักฐานในหน้าเผยแพร่ว่า validated กับแรงงานไทย ห้ามใช้เพื่อวินิจฉัยบุคคล คัดเลือก เลื่อนตำแหน่ง หรือระบุว่าใครเป็นปัญหา

Admin ควรตรวจถ้อยคำของ persona กับต้นทาง ตรวจว่าบทความแยกข้อค้นพบจากคำแนะนำ HisTech ชัด และพิจารณาเพิ่มตัวอย่างจาก workshop จริงที่ไม่เปิดเผยข้อมูลส่วนบุคคล ภาพประกอบเป็นภาพสร้างใหม่และไม่ใช้ภาพหรือป้ายต้นฉบับของ WEF