งานเอกสารเพิ่ม 21.2% หลังใช้ Copilot: ผลวิจัยใหม่เตือนว่า Activity ยังไม่ใช่ Productivity

งานวิจัยใหม่พบอะไร?

วันที่ 16 สิงหาคม 2026 นักวิจัยเผยแพร่ preprint ที่ใช้ digital trace จาก Microsoft 365 ในบริษัทขนาดใหญ่ 11 แห่ง ครอบคลุมผู้ที่เปิดใช้ Copilot 40,164 คน โดยกลุ่มวิเคราะห์หลัก 7,831 คนใช้ Copilot มากกว่า 100 ครั้งใน 20 สัปดาห์ งานวิจัยเปรียบเทียบพฤติกรรมก่อนและหลังกับกลุ่มที่ได้รับสิทธิ์ใช้งานภายหลัง

ผล Difference-in-Differences ระบุว่า user-initiated actions ใน Word, Excel และ PowerPoint เพิ่ม 21.2% ต่อสัปดาห์ ส่วน actions ใน Outlook และ Teams เพิ่ม 7.1% นักวิจัยจึงตีความว่าองค์ประกอบของงานขยับไปทาง individual และ documentation-focused activity มากขึ้น ไม่ได้บอกว่าการสื่อสารทั้งหมดลดลง

ตัวเลข 21.2% แปลว่า Productivity เพิ่ม 21.2% หรือไม่?

ไม่ควรแปลแบบนั้น หน่วยที่วัดคือจำนวน action ในแอป ไม่ใช่ชิ้นงานที่เสร็จ ชั่วโมงที่ประหยัด คุณภาพ ความพึงพอใจลูกค้า หรือกำไร คนอาจแก้เอกสารถี่ขึ้นเพราะทำได้เร็ว หรืออาจเกิด rework เพิ่มก็ได้ ทั้งสองกรณีทำให้ action สูงขึ้นเหมือนกัน

ตัวอย่างนี้เตือน People Analytics ว่า usage เป็น leading signal ไม่ใช่ outcome ถ้า dashboard แสดงเพียง active users, prompts และจำนวนเอกสาร องค์กรอาจเผลอสรุปว่าการยอมรับเครื่องมือเท่ากับผลลัพธ์ทางธุรกิจ ทั้งที่ยังไม่ได้ตรวจงานที่ส่งมอบหรือภาระ review ของเพื่อนร่วมทีม

ทำไมงานเอกสารโตเร็วกว่าการสื่อสาร?

AI ช่วยงานที่แต่ละคนเปลี่ยนเองได้ง่าย เช่นร่าง วิเคราะห์ สรุป และจัดรูปแบบ ขณะที่การประชุม การอนุมัติ และการส่งต่องานต้องให้หลายคนเปลี่ยนพร้อมกัน งานที่มี coordination cost จึงไม่ได้เร็วตามเครื่องมือทันที

ภายในหมวดการสื่อสาร งานวิจัยพบพฤติกรรมบางชนิดลดลง เช่นการอ่านและจัดการอีเมล ขณะที่ภาพรวม communication actions ยังเพิ่ม นี่อาจเป็นสัญญาณว่าคนลด information overload แต่ก็อาจทำให้ข้อมูลหรือความเห็นที่หลากหลายแพร่ข้ามทีมได้น้อยลง จึงต้องวัดทั้งประสิทธิภาพและคุณภาพการร่วมงาน

หลักฐานอีกชุดสอดคล้องหรือขัดกันอย่างไร?

งานทดลองภาคสนาม NBER ใน 66 บริษัทและพนักงาน 7,137 คนสุ่มให้เข้าถึงเครื่องมือ AI ที่ฝังในงานอีเมล เอกสาร และการประชุม ผู้ใช้ในกลุ่มทดลองที่ใช้เครื่องมือจริงใช้เวลากับอีเมลน้อยลง และฉบับแก้ไขรายงานว่าพนักงานที่ใช้ในอย่างน้อยครึ่งหนึ่งของสัปดาห์ประหยัดเวลาอีเมลเฉลี่ยสองชั่วโมงต่อสัปดาห์ในช่วงครึ่งหลังของการทดลอง

หลักฐานสองชุดไม่จำเป็นต้องขัดกัน ชุดหนึ่งวัดเวลาใน randomized field experiment อีกชุดวัด action mix ใน observational matched design ทั้งคู่ชี้ว่าผลเกิดชัดในงานที่บุคคลเปลี่ยนเองได้ แต่ยังไม่ยืนยันว่าทีมตัดสินใจดีขึ้นหรือธุรกิจได้ผลมากขึ้น

HR ควรวัดอะไรหลังเปิดใช้ AI?

สร้าง Measurement Ladder ห้าชั้น: Access ว่าใครได้ใช้, Adoption ว่าใช้กับงานใด, Behavior ว่าสัดส่วนงานเปลี่ยนอย่างไร, Workflow Outcome ว่า cycle time, rework, error และ handoff ดีขึ้นหรือไม่ และ Business/People Outcome ว่าคุณภาพบริการ รายได้ ความเครียด เวลานอกงาน และการเรียนรู้เปลี่ยนอย่างไร

วาง baseline ก่อน rollout และเทียบงานที่คล้ายกัน ไม่ใช้ power user เป็นตัวแทนทุกคน เก็บ sample งานเพื่อตรวจคุณภาพ คุยกับผู้ใช้และผู้รับงานปลายทาง และเฝ้าดู communication debt เช่น decision ที่ขาดบริบท การส่งต่อไม่ครบ หรือ junior staff ได้ feedback น้อยลง

• แยก AI-triggered action ออกจาก human-initiated action

• รายงาน activity คู่กับ quality, rework และเวลาที่ใช้จริง

• ดูผลแยกตามบทบาท ระดับอาวุโส และการเข้าถึงการฝึก

• มีเกณฑ์หยุดหรือปรับ workflow เมื่อภาระ review หรือความผิดพลาดสูงขึ้น

Admin ต้องตรวจอะไรบ้างก่อนอนุมัติ?

ตรวจวันที่ส่ง preprint, จำนวน 11 บริษัท, 40,164 ผู้เปิดใช้, 7,831 intensive users, เกณฑ์มากกว่า 100 ครั้งใน 20 สัปดาห์ และคำว่า associated with ไม่เขียนเป็นเหตุและผล ตรวจตัวเลข 21.2% กับ 7.1% ว่าอธิบายเป็น app actions ไม่ใช่ productivity growth

ตรวจลิงก์ Microsoft Research, arXiv, NBER และ NIST ภาพต้องเป็นงานสร้างใหม่ ไม่คัดลอก Figure 1 หรือหน้าจอ Microsoft และคง caveat ว่า preprint ยังไม่ผ่าน peer review ก่อนเปลี่ยนจาก draft