AI Training ไม่ควรเริ่มที่ Prompt -- HR ควรลงทุนในทักษะพื้นฐานอะไรจากหลักฐาน OECD และ ILO ปี 2026

ทำไมหลักสูตร AI ที่เริ่มจาก Prompt จึงตั้งโจทย์ผิด?

ห้องอบรม AI จำนวนมากเริ่มด้วยสูตรเขียน Prompt แล้วจบด้วยการให้ทุกคนสร้างข้อความหรือสไลด์ที่ดูดี ปัญหาไม่ใช่ว่า Prompt ไม่มีประโยชน์ แต่คือมันเป็นเพียงวิธีคุยกับเครื่องมือ ณ เวลาหนึ่ง เครื่องมือเปลี่ยนเร็ว ขณะที่ความสามารถในการตั้งคำถาม ตรวจหลักฐาน และรับผิดชอบผลลัพธ์ยังอยู่กับคน.

เมื่อ HR ใช้จำนวนผู้เข้าเรียน ชั่วโมงอบรม หรือจำนวน use case ที่ส่งประกวดเป็น KPI คนจะเรียนเพื่อแสดงว่าใช้ได้ ไม่ได้เรียนเพื่อรู้ว่าเมื่อไรไม่ควรเชื่อ AI ผลลัพธ์คือองค์กรได้ prompt library แต่ไม่ได้ judgment library.

หลักฐาน OECD และ ILO ปี 2026 บอกอะไรเกี่ยวกับทักษะ AI?

OECD Policy Brief ‘AI and skills: What we know so far’ เผยแพร่ 5 มิถุนายน 2026 สรุปว่าคนทำงานที่ต้องมี advanced AI skills มีน้อยกว่า 1% ขณะที่คนส่วนใหญ่ต้องการ digital skills และความสามารถใช้ วิเคราะห์ และตีความข้อมูล พร้อมกับ problem-solving, creativity และ managerial skills.

ILO เผยแพร่บทความ ‘Old Skills for new technologies?’ เมื่อ 14 กรกฎาคม 2026 โดยอ้างการวิเคราะห์ประกาศงานออนไลน์หลายล้านรายการในเจ็ดประเทศ ในบราซิล อียิปต์ จอร์แดน และสหรัฐอาหรับเอมิเรตส์ AI/ML skills อยู่ราว 1% ของทักษะที่ประกาศงานระบุ และต่ำกว่านั้นในโมร็อกโก แอฟริกาใต้ และอุรุกวัย แต่ปีข้อมูลต่างกันตั้งแต่ 2021 ถึง 2025 จึงควรอ่านเป็นสัญญาณเชิงโครงสร้าง ไม่ใช่ภาพตลาดล่าสุดวันต่อวัน.

ข้อความร่วมของสองแหล่งชัดเจน: คนส่วนใหญ่จะเป็นผู้ใช้ AI ไม่ใช่ผู้สร้างโมเดล และคุณภาพของการใช้ขึ้นกับทักษะพื้นฐานกับความรู้เฉพาะงานมากกว่าศัพท์เทคนิคเพียงอย่างเดียว.

HR ควรสร้าง AI Skill Stack กี่ชั้น?

ข้อเสนอของ HisTech คือ Skill Stack สี่ชั้นที่ใช้ข้าม vendor ได้ ไม่จำเป็นต้องแยกเป็นหลักสูตรยาวทุกชั้น แต่ทุก role-based lab ควรทำให้เห็นว่าผู้เรียนกำลังใช้ชั้นใดและหลักฐานคุณภาพคืออะไร.

• Foundational judgment: ตั้งปัญหา แยกข้อเท็จจริงจากข้อสันนิษฐาน ตรวจแหล่งที่มา และอธิบายเหตุผลของการตัดสินใจ

• Data and digital literacy: อ่านนิยามข้อมูล รู้ข้อจำกัดของ sample, missing data, privacy และตีความแนวโน้มโดยไม่สรุปเกินหลักฐาน

• Domain expertise: รู้กฎ นโยบาย ข้อยกเว้น และผลกระทบต่อคนจริง เช่นความต่างระหว่างคำแนะนำทั่วไปกับการตัดสินใจค่าตอบแทน

• Socio-emotional and governance skills: ขอ feedback จัดการความเห็นต่าง สื่อสารความไม่แน่นอน ส่งต่อเรื่องเสี่ยง และบันทึก incident โดยไม่ปกปิดความผิดพลาด

แล้ว Prompt Engineering ควรอยู่ตรงไหน?

Prompt ควรอยู่ภายใน task lab ของแต่ละบทบาท เช่น Recruiter สรุปหลักฐานจาก interview, HRBP ตรวจ workforce narrative หรือ L&D สร้าง draft learning activity ผู้เรียนต้องเห็นทั้ง input ที่อนุญาต quality bar วิธี verify และ escalation path ไม่ใช่ได้รับเพียง template ประโยคสวย.

สอนหลักการที่คงทนกว่า syntax: ระบุ outcome และข้อจำกัด, แยก context ที่เชื่อถือได้, ขอรูปแบบผลลัพธ์ที่ตรวจง่าย, สร้างตัวอย่างและ counterexample, ตรวจคำตอบกับแหล่งจริง และบันทึกสิ่งที่มนุษย์แก้กลับ หากเครื่องมือรุ่นใหม่ลดความจำเป็นของ prompt ยาว ทักษะเหล่านี้ก็ยังใช้ได้.

งบ AI Training ควรแบ่งอย่างไรให้เกิดการเปลี่ยนงานจริง?

อย่าใช้สูตรงบเดียวกับทุกองค์กร แต่เริ่มจากสมมติฐานที่ตรวจได้: ลงทรัพยากรส่วนใหญ่กับ practice ใน Workflow จริงและ coaching ของผู้จัดการ รองลงมาคือ data/critical thinking, role-specific tool use และ safe-use/governance แล้วเปลี่ยนสัดส่วนตามข้อผิดพลาดที่พบ.

Microsoft รายงานจากการศึกษาแยกผู้ใช้ 1,800 คนว่าเมื่อผู้จัดการแสดงการใช้ AI ให้เห็น ผู้ตอบรายงาน AI value สูงขึ้น 17 จุด critical thinking สูงขึ้น 22 จุด และความไว้ใจ agentic AI สูงขึ้น 30 จุด ตัวเลขนี้เป็น reported association ในงานวิจัยของ Microsoft ไม่ใช่ ROI guarantee แต่ช่วยชี้ว่า manager behavior ต้องเป็นส่วนของ learning design ไม่ใช่ส่งพนักงานเข้า course แล้วรอผล.

HR ควรวัดผลการเรียนรู้อะไรแทนชั่วโมงอบรม?

วัด transfer ไปสู่งาน: ผู้เรียนตั้ง quality bar ก่อนใช้ AI ได้หรือไม่ จับ error สำคัญได้กี่แบบ อ้างแหล่งที่มาได้หรือไม่ รู้ว่าเมื่อไรต้องขอผู้เชี่ยวชาญ และลด rework หลังส่งมอบจริงหรือไม่ จับคู่ metric เหล่านี้กับ cycle time เพื่อกันไม่ให้ความเร็วกลายเป็นข้ออ้างลดการตรวจ.

OECD ระบุว่ามากกว่าครึ่งของผู้ใช้ AI ในฐานข้อมูลที่อ้างได้รับ employer-funded training และผู้ที่ได้รับ training รายงานผลเชิงบวกต่อ performance และ working conditions มากกว่า แต่ต้นทางก็เตือนว่าข้อมูลล่าสุดใน brief บางส่วนสิ้นสุดปลายปี 2024 ดังนั้น Admin ควรตรวจว่าหลักฐานภายในองค์กรสอดคล้องหรือไม่.

• First-pass quality และสัดส่วน output ที่ต้องแก้สาระสำคัญ

• Error detection rate จากชุดโจทย์ที่มี known failure

• ความสามารถอธิบาย source, uncertainty และ human decision

• จำนวนการ escalate ที่ถูกเวลา เทียบกับ incident ที่หลุดไป downstream

• การนำ pattern ที่เรียนไปใช้กับงานใหม่โดยไม่ต้องพึ่ง template เดิม

ข้อโต้แย้งคือบางงานต้องการ AI Specialist จริงหรือไม่?

จริง องค์กรยังต้องมีคนสร้าง ประเมิน เชื่อมต่อ และดูแลโมเดลหรือ Agent ซึ่งต้องการ technical depth สูง ประเด็นของบทความไม่ใช่ลดคุณค่าคนกลุ่มนี้ แต่คืออย่านำ competency ของผู้สร้างระบบไปบังคับคนทั้งองค์กร และอย่าคิดว่าทักษะพื้นฐานเป็นของง่ายที่ไม่ต้องลงทุน.

ILO ยกตัวอย่างสหรัฐอาหรับเอมิเรตส์ว่าประกาศงานที่ต้องการ AI/ML skills เชื่อมโยงกับ wage premium 17.6% แต่ประกาศกลุ่มเดียวกันยังขอ core cognitive skills 84% และ social skills 88% แม้ในบทบาทเทคนิค ทักษะมนุษย์จึงไม่ได้หายไป แต่ทำงานเป็นส่วนประกอบของ technical expertise.

สัปดาห์หน้าของ HR ควรเริ่มตรงไหน?

เลือกหนึ่ง role หนึ่ง task และหนึ่ง failure ที่องค์กรยอมรับไม่ได้ นำตัวอย่างงานจริงที่ลบข้อมูลส่วนบุคคลแล้วมาสร้าง lab 60–90 นาที ให้ผู้เรียนตั้งโจทย์ ใช้เครื่องมือ ตรวจ source อธิบายการแก้ และรับ feedback จากผู้จัดการ จากนั้นติดตามงานจริงสองสัปดาห์.

ถ้าองค์กรเพิ่งอ่านข่าว OECD เรื่อง Skills in the AI Age ให้ใช้บทความนั้นเป็นภาพใหญ่ แล้วใช้กรอบนี้ตัดสินใจว่า learning budget จะลงกับความสามารถใด ส่วนทีมที่ AI เริ่มรับงานระดับเริ่มต้นควรเชื่อมกับการออกแบบ Career Path ใหม่ เพื่อให้คนยังมีพื้นที่ฝึก judgment จากงานจริง.