แชร์บทความนี้

ส่งต่อให้เพื่อนหรือทีมงานของคุณ

LINELinkedIn

ข้อมูลที่น่าสนใจ

Graph

Regional exposure to generative AI

กราฟแสดงสัดส่วนงาน highly exposed แตกต่างระหว่างภูมิภาคราว 16% ถึงมากกว่า 70% ตามประเทศที่ศึกษา ใช้ชี้ว่าค่าเฉลี่ยประเทศซ่อนความต่าง ห้ามย้ายช่วงตัวเลขมาแทนจังหวัดไทย

OECD Employment Outlook 2026, Figure 3.3เปิดต้นทาง
Model

Task-share exposure definition

เกณฑ์ highly exposed คือ task ที่ GenAI ทำแบบ automate หรือ augment ได้มากกว่า 50% พร้อมข้อจำกัดเรื่องปีข้อมูลและ ChatGPT 3.5 เหมาะเป็น input ไม่ใช่คำทำนาย job loss

OECDเปิดต้นทาง
Trend

AI hiring and junior postings diverge

Figure 1.24 เทียบ AI hiring กับ junior postings ในอาชีพ LLM-exposed ช่วยเตือนให้แยก exposure, labour demand และ macro conditions ก่อนอธิบายสาเหตุ

OECD Employment Outlook 2026เปิดต้นทาง
Framework

Place resilience factors

OECD เชื่อมความสามารถฟื้นตัวกับฐานการศึกษา ความหลากหลายของ service sector และโครงสร้างประชากร เหมาะเพิ่ม local capacity ใน workforce plan ไม่คัดลอกภาพต้นฉบับ

OECD Employment Outlook 2026เปิดต้นทาง

ทำไมค่าเฉลี่ยประเทศจึงทำให้ Workforce Plan ผิด?

ถ้าสำนักงานใหญ่เห็นรายงานว่าประเทศหนึ่งมีงานสัมผัส GenAI สูง แล้วสั่งอบรมหลักสูตรเดียวทุกสาขา แผนอาจดูเป็นระเบียบแต่ไม่ตอบงานจริง สาขาเมืองที่มี finance, ICT และงานความรู้อาจต้องการ workflow redesign กับ quality control ขณะที่โรงงานหรือศูนย์กระจายสินค้าต้องเน้น machine oversight, safety และการแก้ exception

OECD Employment Outlook 2026 ระบุว่าสัดส่วนคนทำงานในงานที่สัมผัส GenAI สูงแตกต่างกันมากระหว่างพื้นที่ ตั้งแต่ประมาณ 16% ในบางภูมิภาคไปจนมากกว่า 70% ในบางแห่ง ความต่างเกิดจากส่วนผสมอุตสาหกรรม อาชีพ และลักษณะงาน ไม่ได้เกิดจากความพร้อมของคนเพียงอย่างเดียว

มุมมองของ HisTech คือ national average เหมาะกับการตั้งคำถาม แต่ไม่พอสำหรับจัดงบคน การตัดสินใจที่กระทบตำแหน่งต้องลงถึง Place × Job × Task และตรวจข้อจำกัดการเดินทาง โอกาสเรียนรู้ กับตลาดแรงงานท้องถิ่น

OECD วัด Regional GenAI Exposure อย่างไร?

Figure 3.3 ของ OECD นิยามงานที่ highly exposed เมื่อสัดส่วน task ในอาชีพที่ GenAI สามารถทำแบบ automate หรือ augment ได้เกิน 50% การคำนวณใช้โครงสร้างการจ้างงานของภูมิภาคและข้อมูลอาชีพ ตัวเลขจึงสะท้อนองค์ประกอบงานในพื้นที่มากกว่ายอด licence หรือความถี่การใช้เครื่องมือ

ปีข้อมูลไม่เท่ากัน: OECD ระบุปี 2024 สำหรับแคนาดาและเกาหลี ปี 2023 สำหรับหลายประเทศ และปี 2022 สำหรับประเทศอื่น ขณะที่ capability reference ใช้ ChatGPT 3.5 จึงเป็นแผนที่ exposure ณ ช่วงเวลาหนึ่ง ไม่ใช่เรดาร์สดของระบบรุ่นล่าสุด

Source highlight ที่น่าสนใจคือกราฟแสดงช่วงความแตกต่างภายในประเทศ ทำให้เห็นว่าค่าเฉลี่ยเดียวซ่อน tail risk และพื้นที่โอกาสไว้ แต่ HisTech ไม่คัดลอกหรือ hotlink กราฟต้นฉบับ ใช้เพียงข้อค้นพบและที่มา

Exposure ไม่ใช่ Automation หรือ Job Loss ใช่หรือไม่?

ใช่ Exposure หมายถึง task มีความเป็นไปได้ที่จะถูกช่วยหรือทำด้วย GenAI ไม่ได้บอกว่าองค์กรติดตั้งระบบแล้ว ไม่ได้บอกว่า task ทั้งหมดควรถูกแทน และไม่ยืนยันว่าจำนวนงานจะลด OECD เองระบุว่าหลักฐานผลกระทบต่อตลาดแรงงานท้องถิ่นยังเริ่มต้น

งานที่ exposure สูงอาจโตจาก productivity และ demand effect ได้ ขณะเดียวกันกลุ่ม early-career หรือพื้นที่ที่มีนายจ้างไม่กี่รายอาจเผชิญการปรับตัวมากกว่า OECD ยกหลักฐานที่ให้ผลต่างกัน จึงไม่ควรแปลง exposure score เป็นคำพยากรณ์ headcount แบบเส้นตรง

HR ควรแยกสี่คำบน dashboard: technical exposure, actual adoption, task redesign และ observed outcome เมื่อสี่คำถูกยุบเป็น AI impact ผู้บริหารจะมองไม่เห็นว่าองค์กรยังอยู่ขั้นไหน

HR ควรสร้าง Place × Job × Task Map อย่างไร?

เริ่มจาก site หรือ labour market ที่พนักงานเดินทางมาทำงานได้จริง ไม่จำเป็นต้องใช้จังหวัดเสมอ จากนั้นเชื่อม job family, headcount, vacancy, turnover, critical skill และ task inventory โดยหลีกเลี่ยงการใช้ข้อมูลส่วนบุคคลเกินจำเป็น

  • Place: จำนวนสาขา นายจ้างทางเลือก เวลาเดินทาง สถาบันการศึกษา และช่องทางเรียนรู้ในพื้นที่
  • Job: headcount, age/tenure mix, vacancy difficulty, criticality, wage band และ internal mobility path
  • Task: frequency, exposure, quality risk, human judgement, data sensitivity และความย้อนกลับได้ของความผิดพลาด
  • Readiness: manager capacity, digital access, language, training time และ worker consultation
  • Action: augment, redesign, redeploy, reskill, hire, partner หรือ monitor พร้อม owner และวันที่ทบทวน

พื้นที่ต่างกันควรใช้ Talent Action ต่างกันอย่างไร?

คลัสเตอร์เมืองที่มีงานความรู้สูงอาจเริ่มจาก redesign workflow และสร้างบทบาท reviewer หรือ orchestrator เพราะ actual adoption มาเร็ว พื้นที่อุตสาหกรรมควรผูก task map กับ safety, maintenance, machine oversight และเส้นทางช่างเทคนิค ไม่ใช่ส่งหลักสูตร prompt เหมือนสำนักงานใหญ่

พื้นที่ที่ฐานผู้ให้บริการฝึกอบรมจำกัดอาจใช้ partnership กับวิทยาลัย การหมุนเวียนงาน หรือ mobile learning lab ส่วนสาขาที่มี turnover สูงและนายจ้างคู่แข่งมากควรเร่ง internal mobility กับ supervisor capability ก่อนลงทุนระบบแนะนำ career ที่พนักงานไม่เชื่อ

อย่าให้แผน place-based กลายเป็นการตีตราพื้นที่ว่า low skill ข้อมูลระดับพื้นที่ควรชี้การลงทุนและข้อจำกัด ไม่ควรใช้ลดโอกาสของบุคคล HR ต้องเปิดช่องให้คนย้ายเส้นทางและแสดงทักษะที่ข้อมูลทะเบียนไม่เห็น

ควรวัดผลและตั้ง Guardrail แบบไหน?

วัดทั้ง coverage และ outcome: สัดส่วน critical task ที่มี owner, คนที่เข้าถึงการเรียนในเวลางาน, proficiency gain, internal fill, time-to-proficiency, redeployment success และ vacancy risk แยกตาม site โดยระวัง sample เล็กและการระบุตัวบุคคล

เพิ่ม guardrail เช่น training access gap, overtime ระหว่างเรียน, displacement without pathway, pay progression, complaint และ worker voice หาก productivity ดีขึ้นแต่คนพื้นที่หนึ่งไม่มีเส้นทางเติบโต แผนยังไม่ผ่าน

ทบทวนรายไตรมาสเพราะ capability และ adoption เปลี่ยนเร็วกว่าข้อมูลอาชีพทางการ ใช้ exposure ภายนอกเป็น prior แล้วอัปเดตด้วย task observation, usage, quality และ outcome ภายใน

ข้อจำกัดและสิ่งที่ Admin ต้องตรวจคืออะไร?

ข้อมูล OECD ไม่รวมไทยในทุกกราฟและปีข้อมูลต่างกัน บทความจึงไม่อ้างตัวเลข 16%-70% ว่าเป็นช่วงของจังหวัดไทย ตรวจถ้อยคำว่า exposure ไม่ใช่ automation และไม่ใช้แผนที่เป็นเครื่องมือตัดสินคนรายบุคคล

Admin ควรตรวจหน้า Figure 3.3, definition และปีข้อมูลอีกครั้ง ตรวจ internal links กับภาพ hero ว่าเปิดได้และไม่เลียนแบบกราฟหรือรูปร่างประเทศ ตรวจว่า meta description และ direct answer ชวนให้ทำแผนรายพื้นที่โดยยังคง worker voice, privacy และ mobility pathway

กลับไปหน้าบทความ