ถ้า HR จะใช้ AI จัดคิวงาน ประเมินผล หรือจับสัญญาณพนักงาน อย่าข้ามการปรึกษาคนทำงาน

หลายองค์กรใช้ algorithmic management แล้วโดยไม่เรียกมันชื่อนี้

เมื่อพูดถึง algorithmic management หลายคนมักนึกถึงแพลตฟอร์ม gig work หรือระบบติดตามงานแบบเข้มข้น แต่ในชีวิตจริงขององค์กรใหญ่ เครื่องมือกลุ่มนี้อาจอยู่ในรูป scheduler, recommendation engine, performance flag, attendance exception หรือ workflow ที่จัดลำดับงานให้หัวหน้าอัตโนมัติ เพียงแต่เราเรียกมันด้วยชื่อที่ฟังเป็นมิตรกว่า

OECD ให้คำนิยาม algorithmic management ว่าเป็นการใช้เครื่องมือเทคโนโลยีซึ่งอาจรวมถึง AI เพื่อทำให้ภารกิจที่เคยเป็นงานของผู้จัดการ ถูก automate หรือ partly automate มากขึ้น มองแบบนี้แล้ว ฝ่าย HR, HR Operations และ Shared Services หลายแห่งกำลังยืนอยู่ตรงหน้าประตูนี้แล้ว ไม่ว่าจะตั้งใจเรียกมันว่า AI หรือไม่ก็ตาม

ข้อมูล OECD บอกว่ามันแพร่หลายกว่าที่หลายคนคิด

OECD policy brief วันที่ 19 ธันวาคม 2025 ระบุว่า algorithmic management ถูกใช้อย่างแพร่หลายในหลายประเทศที่สำรวจ โดยผู้จัดการในสหรัฐฯ 90% ระบุว่าบริษัทของตนใช้เครื่องมืออย่างน้อยหนึ่งแบบเพื่อ instruct, monitor หรือ evaluate workers ขณะที่ค่าเฉลี่ยของฝั่งยุโรปในชุดสำรวจนี้อยู่ที่ 79% และญี่ปุ่นอยู่ที่ 40% ตัวเลขนี้ไม่ได้แปลว่าทุกองค์กรใช้ระบบขั้นสูงเท่ากัน แต่พอจะบอกได้ชัดว่าประเด็นนี้ไม่ใช่เรื่องทดลองในห้องแลบอีกต่อไป

ข่าวที่น่าสนใจกว่าคือ OECD ยังบอกด้วยว่าผู้จัดการมองเห็นประโยชน์บางด้าน เช่น คุณภาพการตัดสินใจที่ดีขึ้น แต่ก็รายงานความเสี่ยงเรื่องความรับผิดชอบที่ไม่ชัด การอธิบายเหตุผลของระบบที่ยาก และการคุ้มครองสุขภาพของพนักงานที่ไม่เพียงพอ นี่คือสาเหตุที่คำว่า efficiency เพียงคำเดียวไม่ควรพอสำหรับการอนุมัติโครงการ

• US: adoption อย่างน้อยหนึ่งเครื่องมือ 90% ตาม policy brief ของ OECD

• Europe average ในกลุ่มประเทศที่สำรวจ: 79%

• Japan: 40% สะท้อนว่าการยอมรับและรูปแบบการใช้ยังต่างกันตามบริบท

เหตุผลที่ต้องปรึกษาคนทำงานไม่ใช่เพราะภาพลักษณ์ แต่เพราะระบบไม่เห็นชีวิตจริงทั้งหมด

ผู้ที่ทำงานหน้างานและหัวหน้าทีมมักเห็นข้อยกเว้นที่ระบบมองไม่เห็น เช่น พนักงานบางกลุ่มมีลักษณะงานพิเศษ ข้อมูลที่ใช้ประเมินไม่ครบ หรือการตอบสนองตามตัวชี้วัดอาจทำให้คนเร่งงานแบบไม่ปลอดภัย ถ้าองค์กรปล่อยให้ระบบออกแบบโดย vendor, IT และ owner เพียงไม่กี่คน blind spot เหล่านี้จะถูกค้นพบหลัง rollout ซึ่งมักแพงกว่าและเจ็บกว่ามาก

OECD ยังสรุปใน policy paper Using AI in the workplace ว่า AI สามารถให้ประโยชน์กับงานได้จริง โดยสี่ในห้าของพนักงานที่สำรวจบอกว่า AI ช่วยให้ performance ดีขึ้น และสามในห้าบอกว่าเพิ่มความสนุกในการทำงาน แต่บทเรียนสำคัญคือประโยชน์เหล่านี้ขึ้นอยู่กับการจัดการความเสี่ยง และทั้ง training กับ worker consultation มีความสัมพันธ์กับผลลัพธ์ที่ดีกว่าสำหรับพนักงาน นี่ทำให้ consultation กลายเป็น operational control มากกว่ากิจกรรมสร้างภาพความมีส่วนร่วม

HR ควรถามอะไรบ้างก่อนเริ่ม pilot

ไม่จำเป็นต้องเริ่มจาก town hall ขนาดใหญ่หรือเวิร์กช็อปสามวันเต็ม สิ่งที่จำเป็นกว่าคือชุดคำถามตรงประเด็นกับคนที่จะโดนผลกระทบจริง เช่น ระบบนี้ช่วยตัดสินใจเรื่องอะไร ใช้ข้อมูลชุดไหน มีผลต่อ KPI, scheduling, workload หรือการเข้าถึงโอกาสงานอย่างไร และถ้าคำแนะนำของระบบดูผิด คนมีสิทธิ์คัดค้านผ่านช่องทางใด

ฝ่าย HR ควรถามผู้จัดการด้วยว่าพวกเขาจะ override ระบบได้เมื่อไร ต้องให้เหตุผลอย่างไร และจะมีเวลาอ่านบริบทหรือไม่ เพราะหลายระบบมี human approval อยู่ก็จริง แต่ถูกออกแบบให้มนุษย์ทำหน้าที่เหมือนตรายางมากกว่าคนตัดสินใจ หากจะเรียกว่า human oversight มันต้องมีสิทธิ์หยุด แก้ และอธิบายได้จริง

• decision point ไหนของระบบกระทบคนมากที่สุด

• ข้อมูลใดจำเป็นจริง และข้อมูลใดเป็นเพียงของแถมที่เพิ่มความเสี่ยง

• พนักงานรู้หรือไม่ว่าข้อมูลใดถูกเก็บ ใช้ และแชร์ต่อ

• มี appeal path เมื่อระบบให้ผลลัพธ์ผิดบริบทหรือไม่

อย่าเริ่มจาก use case ที่อ่อนไหวเกินไป

บทเรียนเชิงปฏิบัติคืออย่าเริ่ม pilot ด้วยกรณีที่โยงกับค่าตอบแทน วินัย หรือการเลิกจ้างโดยตรง ถ้าองค์กรยังไม่มี metric contract, data governance และช่องทางรับ feedback ที่แข็งแรง ใช้กรณีที่เล็กกว่าแต่มี pain ชัด เช่น จัดลำดับ ticket HR service, ติดตาม onboarding checklist, หรือช่วยคัดแยกคำถามนโยบายก่อนส่งต่อคนที่รับผิดชอบ

use case แบบนี้ยังช่วยให้ทีมเห็นเร็วว่าปัญหาอยู่ที่ model, policy หรือ process กันแน่ บางครั้งความล่าช้าไม่ได้เกิดจาก algorithm เลย แต่เกิดจาก SLA ที่ไม่ชัดหรือข้อมูลต้นทางไม่สะอาด ถ้าเริ่มจากโจทย์เล็กและอธิบายเหตุผลได้ เราจะได้เรียนรู้โดยไม่สร้างผลกระทบกับความไว้ใจของพนักงานมากเกินจำเป็น

ความเห็นสุดท้าย: ระบบที่ดีต้องอธิบายได้กับคนที่ถูกมันกระทบ

โลก HR ไม่ได้ต้องเลือกระหว่าง efficiency กับ humanity แบบขาวดำ เราใช้ระบบช่วยจัดการงานคนได้ แต่ต้องยอมรับว่าความรู้สึกถูกจับตา ถูกตีความผิด หรือถูกตัดสินโดย logic ที่อธิบายไม่ได้ จะย้อนมากระทบทั้ง trust และ employer brand ในระยะยาว

ดังนั้นถ้าทีมจะเริ่มใช้ algorithmic management ในงาน HR ให้เริ่มจากการถามคนทำงานก่อนว่าระบบนี้จะเปลี่ยนชีวิตเขาอย่างไร ฟังคำตอบให้ครบ แล้วค่อยเปิดระบบ การคุยกันก่อน pilot อาจช้ากว่า rollout หนึ่งสัปดาห์ แต่เร็วกว่าการซ่อมความเชื่อใจที่พังหลังระบบขึ้นจริงหลายเดือน