Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ

การพยากรณ์ตลาดแรงงานตั้งสมมติฐานมาตลอดว่าระบบอัตโนมัติจะดึงงานย่อยออกไปทีละงานและปล่อยให้อาชีพนั้นยังคงอยู่ แต่ Agentic AI ซึ่งทำงานจนจบทั้งเวิร์กโฟลว์ ได้ทำให้สมมติฐานนั้นใช้ไม่ได้อีกต่อไป และคะแนนรวมตัวใหม่ที่เรียกว่า Agentic Task Exposure (ATE) ก็ถูกสร้างขึ้นเพื่อวัดในสิ่งที่กรอบแนวคิดเดิมวัดไม่ได้

บทสรุปสำหรับผู้บริหาร

• การพยากรณ์ระบบอัตโนมัติในยุคก่อนหน้า รวมถึงการพยากรณ์ที่สร้างขึ้นบนกรอบแนวคิดงานย่อยของ Autor-Levy-Murnane ล้วนมีสมมติฐานร่วมกันข้อหนึ่ง นั่นคือ อาชีพจะยังคงอยู่รอดในฐานะเปลือกนอกด้านการประสานงานที่ห่อหุ้มงานส่วนที่เหลือของมนุษย์ไว้
• ระบบ Agentic AI มีคุณสมบัติครบสี่เกณฑ์: รับข้อกำหนดเป้าหมาย เลือกและเรียกใช้เครื่องมือได้เองโดยอัตโนมัติ รักษาสถานะ (state) ข้ามขั้นตอนการอนุมาน และสร้างชิ้นงานที่เสร็จสมบูรณ์โดยไม่ต้องให้มนุษย์เข้ามาแทรกแซงในขั้นตอนระหว่างกลาง
• คะแนน ATE ผสานคะแนนขีดความสามารถของ AI ปัจจัยความครอบคลุมของเวิร์กโฟลว์ และความเร็วในการนำไปใช้แบบลอจิสติก เข้าด้วยกัน นักวิเคราะห์สินเชื่อ ผู้พิพากษา และผู้เชี่ยวชาญด้านความยั่งยืน มีคะแนน ATE สูงถึง 0.43-0.47
• บทความวิจัยประยุกต์ใช้ ATE กับรหัสอาชีพ SOC จำนวน 236 รหัส ในหกกลุ่มอาชีพหลักครอบคลุมห้าภูมิภาคเทคโนโลยีของสหรัฐอเมริกา และระบุว่าตนเองเป็นการประยุกต์ใช้เชิงประจักษ์แบบหลายภูมิภาคครั้งแรกของกรอบแนวคิดความเสี่ยงของงานย่อยที่มุ่งเป้าไปที่ระบบ Agentic AI โดยเฉพาะ
• ควบคู่ไปกับการแทนที่แรงงาน บทความวิจัยได้ระบุหมวดหมู่อาชีพเกิดใหม่สิบเจ็ดหมวดหมู่ ซึ่งกระจุกตัวอยู่ในด้านการทำงานร่วมกันระหว่างมนุษย์กับ AI การกำกับดูแล AI และการปฏิบัติการ AI เฉพาะทาง

การพยากรณ์ที่ประเมินไว้สูงเกินจริง #

หุ่นยนต์อุตสาหกรรมได้เข้ามาแทนที่คนงานในภาคการผลิตจริง แต่พวกมันไม่ได้ทำเช่นนั้นตามกรอบเวลาหรือในขนาดที่การพยากรณ์ยุคแรกเคยสื่อไว้ ประโยคนั้นควรทำให้ใครก็ตามที่อ่านคำทำนายตลาดแรงงานเป็นอาชีพต้องระมัดระวังตัวขึ้นสักนิด เพราะมันอธิบายถึงรูปแบบที่คุ้นเคย นั่นคือ ทิศทางนั้นถูกต้อง แต่ขนาดของผลกระทบนั้นคลาดเคลื่อน

ตัวเลขพาดหัวที่เป็นที่รู้จักมากที่สุดในวรรณกรรมสายนี้มาจาก Frey และ Osborne ซึ่งขอให้ผู้เชี่ยวชาญให้คะแนนอาชีพในสหรัฐอเมริกาจำนวน 702 อาชีพตามระดับ "ความสามารถในการใช้คอมพิวเตอร์ทำงานแทนได้" (computerizability) โดยรวม ผลลัพธ์ของพวกเขาคือ 47% ของอาชีพทั้งหมดอยู่ในกลุ่มเสี่ยงสูง มันเป็นตัวเลขที่สะดุดตา และถูกนำไปอ้างอิงในวงกว้าง

ต่อมา Arntz, Gregory และ Zierahn ได้แสดงให้เห็นว่าจะเกิดอะไรขึ้นเมื่อการวิเคราะห์ลงลึกไปที่ระดับงานย่อย (task level) และนำความแตกต่างหลากหลายของงานย่อยภายในอาชีพที่ดูเหมือนจะมีความเสี่ยงมาคิดคำนวณด้วย ตัวเลขประมาณการความเสี่ยงสูงลดลงเหลือเพียง 9-14% ในกลุ่มประเทศ OECD ระยะห่างระหว่าง 47% กับ 9-14% ไม่ใช่ความเห็นต่างจากการปัดเศษ แต่มันสะท้อนถึงการเลือกหน่วยของการวิเคราะห์ และการเลือกนั้นได้เปลี่ยนคำตอบไปถึงสามเท่าตัวหรือมากกว่านั้น

แหล่งข้อมูลกล่าวอย่างตรงไปตรงมาว่าข้อถกเถียงระหว่างการประมาณค่าระดับอาชีพกับระดับงานย่อยยังไม่ได้ข้อยุติ สิ่งที่วงการนี้บรรลุร่วมกันคือฉันทามติในทางปฏิบัติที่ว่า การแยกย่อยในระดับงานย่อยนั้นเป็นสิ่งจำเป็น และการแปะป้ายในระดับอาชีพนั้นหยาบเกินไป ฉันทามติดังกล่าวคือรากฐานที่ข้อโต้แย้งส่วนที่เหลือยืนอยู่ และมันก็เป็นรากฐานที่ Agentic AI กำลังเข้ามาสั่นคลอน

กรอบแนวคิดระดับงานย่อยทำงานอย่างไร #

เพื่อให้เห็นว่าแรงสั่นคลอนมาจากไหน การทำความเข้าใจอย่างแม่นยำว่าแนวคิดสายงานย่อยกล่าวอ้างอะไรไว้บ้างจะช่วยได้มาก

Autor, Levy และ Murnane ได้แบ่งงานย่อยในอาชีพออกตามสองแกน ได้แก่ งานประจำซ้ำๆ (routine) กับงานที่ไม่ใช่ประจำซ้ำๆ (non-routine) และงานใช้ความคิด (cognitive) กับงานใช้แรงกาย (manual) ข้อโต้แย้งของพวกเขาคือระบบอัตโนมัติจะเข้ามาทดแทนงานประจำซ้ำๆ ในขณะที่ช่วยเสริมงานที่ไม่ใช่ประจำซ้ำๆ มันเป็นแนวคิดที่ชัดเจน และได้มอบคลังคำศัพท์ให้แก่งานวิจัยยุคหลังใช้พูดคุยกันว่าส่วนใดของงานที่เครื่องจักรสามารถดูดซับไปได้

Acemoglu และ Restrepo ได้สร้างโครงสร้างเชิงรูปนัยซ้อนทับลงไปบนแนวคิดนั้น พวกเขาจำลองผลผลิตว่าเป็นผลลัพธ์จากความต่อเนื่องของงานย่อยที่ถูกจัดสรรระหว่างทุนและแรงงาน ในกรอบคิดของพวกเขา ส่วนแบ่งแรงงาน (labour share) จะเพิ่มขึ้นหรือลดลงขึ้นอยู่กับว่า การสร้างงานย่อยใหม่ ซึ่งพวกเขาเรียกว่าช่องทางการสร้างงานทดแทน (reinstatement channel) จะเติบโตเร็วกว่าการแทนที่งานย่อยหรือไม่ ตามแนวทางของพวกเขา ส่วนแบ่งแรงงานในมูลค่าเพิ่มเขียนแทนด้วยสมการ sL = W * L / Y = f(|NL| / |N|) โดยที่ W คืออัตราค่าจ้าง L คือการจ้างงาน และ Y คือผลผลิต แรงสองฝั่งดึงรั้งซึ่งกันและกัน และฝั่งใดที่ชนะจะเป็นตัวกำหนดว่าใครคือผู้เก็บเกี่ยวผลประโยชน์

ความพยายามในการวัดผลอีกสองชิ้นมีความสำคัญในที่นี้ เพราะได้เปลี่ยนกรอบแนวคิดให้กลายเป็นตัวเลขระดับอาชีพ Felten, Raj และ Seamans ได้สร้างคะแนน AI Occupational Exposure (AIOE) โดยเชื่อมโยงความก้าวหน้าด้านขีดความสามารถของ AI ที่ตีพิมพ์เผยแพร่เข้ากับอนุกรมวิธานความสามารถของ O*NET ขณะที่ Eloundou และคณะ ได้สร้างตัวชี้วัดคู่ขนานที่มุ่งเน้นไปที่ GPT-4 โดยผสานการระบุข้อมูลจากผู้ทำงานคราวด์ซอร์สเข้ากับการประเมินตนเองของ GPT-4 ในระดับงานย่อย

ข้อค้นพบพาดหัวของพวกเขาคือ 80% ของคนงานในสหรัฐอเมริกาทำงานในตำแหน่งที่มีงานย่อยอย่างน้อย 10% มีความเสี่ยงต่อ LLM โดยความเสี่ยงที่หนักหน่วงที่สุดกระจุกตัวอยู่ในกลุ่มอาชีพที่ได้รับค่าจ้างสูงและต้องใช้วุฒิปริญญา ผลลัพธ์ดังกล่าวสวนทางกับสัญชาตญาณแบบเดิมที่ว่าระบบอัตโนมัติจะกระทบงานประจำซ้ำๆ ที่มีค่าจ้างต่ำก่อน และช่วยอธิบายว่าเหตุใดคำถามเรื่องคนทำงานออฟฟิศ (white-collar) จึงกลายเป็นเรื่องเร่งด่วนขึ้นมา

จุดบอดที่ทุกกรอบแนวคิดมีร่วมกัน #

แหล่งข้อมูลได้ตั้งข้อสังเกตที่เฉียบคมเกี่ยวกับงานทั้งหมดนี้ ทุกกรอบแนวคิดที่อ้างถึงมีจุดบอดเชิงสถาปัตยกรรมร่วมกัน นั่นคือ พวกมันจำลองระบบอัตโนมัติว่าเป็นการดึงงานย่อยแต่ละชิ้นออกไป ในขณะที่ตัวอาชีพยังคงอยู่ครบถ้วน การพยากรณ์เกือบทั้งหมด รวมถึงการพยากรณ์ที่สร้างขึ้นบนกรอบแนวคิดงานย่อยของ Autor-Levy-Murnane ล้วนมีสมมติฐานร่วมกันว่าระบบอัตโนมัติจะดึงงานย่อยออกไปทีละชิ้น และตัวอาชีพจะยังคงอยู่รอดในฐานะเปลือกนอกด้านการประสานงาน (coordination shell) ที่ห่อหุ้มงานส่วนที่เหลือของมนุษย์ไว้

นั่นคือสมมติฐานเกี่ยวกับโครงสร้าง ไม่ใช่เกี่ยวกับเทคโนโลยี มันไม่ได้พูดอะไรเลยว่าเครื่องจักรมีความสามารถมากเพียงใด แต่มันบอกว่าไม่ว่าเครื่องจักรจะรับงานย่อยไปมากเท่าใด ก็ยังคงต้องมีใครสักคนคอยยึดโยงส่วนที่เหลือเข้าด้วยกันอยู่ดี

ตัวอย่างผู้ช่วยทนายความ (paralegal) ทำให้ประเด็นนี้เห็นภาพชัดเจน การวิเคราะห์ความเสี่ยงของงานย่อยอาจปักธงว่า 80% ของงานย่อยของผู้ช่วยทนายความมีความเสี่ยงต่อ LLM แต่กลับสรุปว่าอาชีพนี้ยังคงปลอดภัย เพราะการประสานงานย่อยเหล่านั้นต้องใช้วิจารณญาณของมนุษย์ ข้อสรุปนี้ไหลตามมาจากสมมติฐานเรื่องเปลือกนอก งานย่อยมีความเสี่ยง แต่รอยตะเข็บที่เย็บงานเหล่านั้นเข้าด้วยกันไม่ได้มีความเสี่ยง ดังนั้นตำแหน่งงานจึงยังคงอยู่

จากนั้นคือหมากสำคัญของแหล่งข้อมูล: คอขวดด้านการประสานงานที่เคยปกป้องบทบาทของผู้ช่วยทนายความไว้ บัดนี้ได้เข้าไปอยู่ภายในโมดูลการวางแผนของเอเจนต์แล้ว หากสิ่งนี้เป็นจริง เหตุผลที่เคยรักษาให้ผู้ช่วยทนายความปลอดภัยก็หยุดทำงานลง การปกป้องเคยมาจากการประสานงาน และการประสานงานก็คือสิ่งที่ระบบเอเจนต์ทำอย่างพอดิบพอดี

ผมคิดว่านี่คือแนวคิดที่มีประโยชน์ที่สุดในบทความวิจัยนี้ และสมควรได้รับการพิจารณาตามเนื้อผ้า กรอบแนวคิดรุ่นเก่าไม่ได้เข้าใจผิดเกี่ยวกับงานย่อย แต่เข้าใจผิดเกี่ยวกับสิ่งที่หลงเหลืออยู่หลังจากงานย่อยหายไปต่างหาก ตัวชี้วัดที่ให้คะแนนงานย่อยทีละชิ้นย่อมมองไม่เห็นระบบที่จัดการลำดับงานทั้งหมดในฐานะหน่วยเดียวกัน

อะไรที่นับว่าเป็นระบบเอเจนต์ #

หากข้อโต้แย้งขึ้นอยู่กับการจำแนกความแตกต่าง ความแตกต่างนั้นก็จำเป็นต้องมีคำนิยาม แหล่งข้อมูลได้ให้คำนิยามไว้ด้วยเกณฑ์สี่ข้อ ระบบ Agentic AI คือระบบที่:

1. รับข้อกำหนดเป้าหมาย (goal specification) แทนที่จะเป็นข้อกำหนดงานย่อย (task specification)
2. เลือกและเรียกใช้เครื่องมือได้เองโดยอัตโนมัติเพื่อมุ่งสู่เป้าหมายนั้น
3. รักษาสถานะ (state) ข้ามขั้นตอนการอนุมานหลายขั้นตอน และ
4. สร้างชิ้นงานที่เสร็จสมบูรณ์โดยไม่ต้องให้มนุษย์เข้ามาแทรกแซงในขั้นตอนระหว่างกลาง

นี่คือรายการที่ควรเก็บรักษาไว้ในรูปแบบรายการ เพราะเกณฑ์แต่ละข้อแยกขาดจากกันและสามารถตรวจสอบได้ทีละข้อ ระบบที่เพียงตอบคำสั่งพรอมต์ไม่ผ่านเกณฑ์ข้อแรก ส่วนระบบที่ต้องรอให้คนกดอนุมัติในแต่ละขั้นตอนระหว่างกลางก็ไม่ผ่านเกณฑ์ข้อที่สี่

หากกล่าวให้เข้าใจง่ายขึ้น เอเจนต์จะรับเป้าหมาย เลือกเครื่องมือ ดำเนินการตามแผนหลายขั้นตอน ตรวจสอบผลลัพธ์ของตนเอง และส่งมอบชิ้นงานที่เสร็จสมบูรณ์ ระบบเอเจนต์จะร้อยเรียงการเรียกใช้เครื่องมือเข้าด้วยกัน รักษาหน่วยความจำถาวรข้ามขั้นตอน วางแผนลำดับการกระทำหลายชั้น และแก้ไขตนเอง (self-correct) เมื่อผลลัพธ์ระหว่างกลางไม่ผ่านการตรวจสอบคุณภาพ

รายละเอียดเรื่องการแก้ไขตนเองมีความสำคัญมากกว่าที่เห็นในแวบแรก ไปป์ไลน์ที่พังลงเมื่อขั้นตอนหนึ่งล้มเหลวยังคงต้องการมนุษย์คอยเฝ้าอยู่ใกล้ๆ แต่ระบบที่สังเกตเห็นว่าการตรวจสอบคุณภาพล้มเหลวแล้วลองทำใหม่ด้วยตนเอง ได้ดูดซับงานกำกับดูแลบางส่วนที่เคยเป็นเหตุผลรองรับการมีอยู่ของมนุษย์ไปแล้ว

บทความวิจัยนิยามหัวข้อของตนเองไว้ดังนี้: เอเจนต์ AI อัตโนมัติที่สามารถทำงานจนจบทั้งเวิร์กโฟลว์ของอาชีพ แทนที่จะเป็นเพียงงานย่อยที่แยกขาดจากกัน คำว่า "ทั้งเวิร์กโฟลว์" คือจุดที่แบกรับน้ำหนักไว้ทั้งหมด ข้อโต้แย้งทั้งหมดนี้เป็นเรื่องของช่องว่างระหว่างงานย่อยที่แยกส่วนกับเวิร์กโฟลว์ที่สมบูรณ์

เหตุใดจังหวะเวลาจึงต้องเป็นตอนนี้ #

แหล่งข้อมูลนำเสนอหลักฐานสองประเภทที่ชี้ว่าคำถามนี้ไม่ใช่เรื่องสมมติ ประเภทแรกเกี่ยวข้องกับขีดความสามารถ โมเดลระดับ GPT-4 ทำคะแนนได้ถึงหรือสูงกว่าเกณฑ์สอบผ่านในการสอบเนติบัณฑิต (bar exam) และการสอบใบอนุญาตประกอบวิชาชีพเวชกรรมของสหรัฐอเมริกา (US Medical Licensing Exam) และทำคะแนนเข้ามาใกล้เกณฑ์สอบผ่าน CFA ระดับ I ในระยะห่างเพียงไม่กี่เปอร์เซ็นต์ นั่นคือการสอบรับรองคุณวุฒิสำหรับวิชาชีพที่จำกัดการเข้าสู่วิชาชีพอย่างเข้มงวดเพราะตัวงานมีความยากลำบาก

ประเภทที่สองเกี่ยวข้องกับการนำไปใช้งานจริง ผู้จำหน่ายเทคโนโลยีระดับองค์กรรายใหญ่ ซึ่งรวมถึง Amazon, Microsoft, Salesforce, ServiceNow และ Workday ได้เปิดเผยการนำระบบเอเจนต์ไปใช้งานจริงในระดับโปรดักชันที่แตะเวิร์กโฟลว์ของคนทำงานออฟฟิศ ในการแถลงผลประกอบการและการนำเสนอต่อนักลงทุนในปี 2024 สิ่งเหล่านี้คือการใช้งานจริงในระดับโปรดักชัน ไม่ใช่การสาธิตเพื่อการวิจัย และถูกประกาศต่อหน้านักลงทุน ไม่ใช่ต่อหน้านักวิชาการ

แหล่งข้อมูลอ่านการเปิดเผยข้อมูลเหล่านั้นว่าเป็นสิ่งที่บริษัทจะทำก็ต่อเมื่อการใช้งานจริงเริ่มส่งผลกระทบต่อการวางแผนจำนวนพนักงาน (headcount planning) แล้วเท่านั้น แหล่งข้อมูลวางกรอบเรื่องนี้ว่าเป็นการตีความ ไม่ใช่การวัดผลโดยตรง และเราก็ควรถือไว้เช่นนั้น ไม่มีส่วนใดในบันทึกที่ผมได้รับมารายงานตัวเลขจำนวนพนักงานโดยตรง แต่การอนุมานนี้มีความสมเหตุสมผล เพราะโดยปกติแล้วบริษัทต่างๆ จะไม่นำเรื่องการใช้งานระบบมาวางต่อหน้านักลงทุน เว้นเสียแต่ว่ามันจะมีความสำคัญต่อฐานต้นทุน

เมื่อนำทั้งสองส่วนมารวมกัน เหตุผลในการสร้างตัวชี้วัดใหม่ก็ชัดเจนตรงไปตรงมา ลำพังขีดความสามารถอย่างเดียวคงไม่บีบให้ต้องเร่งหาคำตอบ และโครงการนำร่องไม่กี่โครงการก็คงไม่พอเช่นกัน แต่ขีดความสามารถที่ก้าวข้ามเกณฑ์มาตรฐานวิชาชีพไปแล้ว ในระบบที่เดินเครื่องอยู่ในระดับโปรดักชันแล้ว ต่างหากที่เป็นตัวบีบบังคับ

คะแนน ATE: สิ่งที่มันวัดและสิ่งที่มันไม่ได้วัด #

คำตอบของบทความวิจัยนี้คือคะแนน Agentic Task Exposure (ATE) ซึ่งเป็นตัวชี้วัดแบบผสมที่ขยายกรอบแนวคิดการแทนที่งานย่อยของ Acemoglu-Restrepo เพื่อนำความครอบคลุมของเวิร์กโฟลว์ตั้งแต่ต้นจนจบ เกณฑ์มาตรฐานขีดความสามารถของ Agentic AI ในปัจจุบัน และความเร็วในการนำไปใช้ขององค์กร มาคิดคำนวณด้วย คะแนนนี้วัดระดับที่อาชีพ o มีความเสี่ยงต่อการถูกแทนที่ตั้งแต่ต้นจนจบโดยระบบ Agentic AI ในปัจจุบัน

มีองค์ประกอบสามส่วนที่ถูกใส่เข้าไป ได้แก่ คะแนนขีดความสามารถของ AI ปัจจัยความครอบคลุมของเวิร์กโฟลว์ และความเร็วในการนำไปใช้แบบลอจิสติก ปัจจัยความครอบคลุมของเวิร์กโฟลว์ (workflow coverage factor) คือส่วนที่เข้ามาจัดการกับจุดบอดโดยตรง แหล่งข้อมูลระบุว่าสิ่งที่ขาดหายไปจากงานวิจัยยุคก่อนคือตัวชี้วัดว่า โครงสร้างเวิร์กโฟลว์ทั้งหมดของอาชีพหนึ่งๆ ตกอยู่ภายในขอบเขตการปฏิบัติการของ Agentic AI หรือไม่ และได้กำหนดรูปนัยของสิ่งนั้นออกมาเป็นปัจจัยความครอบคลุมของเวิร์กโฟลว์ คะแนนแบบเก่าถามว่างานย่อยหนึ่งๆ มีความเสี่ยงหรือไม่ แต่คะแนนตัวใหม่นี้ถามว่าทั้งเวิร์กโฟลว์สามารถบรรจุเข้าไปในสิ่งที่เอเจนต์ทำได้หรือไม่

องค์ประกอบอีกสองส่วนของการสร้างตัวชี้วัดถูกระบุไว้อย่างชัดเจน พจน์ wo,t คือความเกี่ยวข้องถ่วงน้ำหนักตามความสำคัญของงานย่อย t ในอาชีพ o ซึ่งดึงมาจากคะแนนความสำคัญของงานย่อยในฐานข้อมูล O*NET และพจน์ CAP(t) ซึ่งเป็นพจน์ขีดความสามารถ ประมาณการมาจากวรรณกรรมเกณฑ์มาตรฐาน AI และรายงานการนำไปใช้งานจริงของผู้ปฏิบัติงาน ดังนั้น ความสำคัญของงานย่อยจึงมาจากฐานข้อมูลอาชีพมาตรฐาน ในขณะที่ขีดความสามารถมาจากสองแหล่งข้อมูล คือเกณฑ์มาตรฐานและรายงานภาคสนาม

บทความวิจัยระบุระเบียบวิธีไว้อย่างชัดเจน และผู้อ่านควรยึดถือตามนั้น คะแนน ATE คำนวณขึ้นด้วยอัลกอริทึมจากข้อมูลงานย่อยของ O*NET โดยใช้พารามิเตอร์การนำไปใช้ที่ปรับเทียบแล้ว ไม่ใช่ค่าประมาณการถดถอย (regression estimates) ข้อนี้มีผลในทางปฏิบัติ ค่าประมาณการถดถอยจะมาพร้อมกับเครื่องมือตามปกติอย่างความคลาดเคลื่อนมาตรฐาน (standard errors) และข้อโต้แย้งเรื่องการระบุตัวตน แต่คะแนนรวมเชิงอัลกอริทึมที่ปรับเทียบแล้วไม่มีสิ่งเหล่านั้น และผลลัพธ์ของมันคือการคาดการณ์ที่ได้จากตัวแบบ (model-derived projections) ซึ่งเป็นวลีที่บทความวิจัยเองใช้เรียกตัวเลขการแทนที่แรงงานของตน มันอธิบายสิ่งที่ตัวแบบสื่อถึงภายใต้พารามิเตอร์ที่กำหนด แต่มันไม่ได้รายงานสิ่งที่เกิดขึ้นไปแล้ว

ผมมองว่านั่นเป็นการวางกรอบที่ซื่อสัตย์ และเป็นกรอบที่ถูกต้องสำหรับปัญหาการพยากรณ์ในสิ่งที่ยังไม่ทันเกิดขึ้นจริง คะแนนรวมที่สร้างขึ้นจากข้อมูลนำเข้าที่ระบุไว้อย่างเปิดเผยสามารถตรวจสอบ โต้แย้ง และปรับเทียบใหม่ได้ หากใครไม่เห็นด้วยกับความเร็วในการนำไปใช้ พวกเขาก็รู้ได้ทันทีว่าต้องไปหมุนปรับที่ปุ่มไหน

ขอบเขตที่ตัวแบบนำไปประยุกต์ใช้ #

การประยุกต์ใช้เชิงประจักษ์มีความครอบคลุมกว้างขวาง บทความวิจัยประยุกต์ใช้กรอบแนวคิด ATE กับรหัสการจัดประเภทอาชีพมาตรฐาน (SOC) จำนวน 236 รหัส ซึ่งครอบคลุมหกกลุ่มอาชีพหลัก เพื่อสร้างการคาดการณ์การแทนที่แรงงานที่ได้จากตัวแบบในห้าภูมิภาคเทคโนโลยีหลักของสหรัฐอเมริกาสำหรับช่วงปี 2025-2030 ทั้งห้าภูมิภาคได้แก่ San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark และ Boston-Cambridge

บทความวิจัยอธิบายว่านี่คือการประยุกต์ใช้เชิงประจักษ์แบบหลายภูมิภาคครั้งแรกของกรอบแนวคิดความเสี่ยงของงานย่อยที่มุ่งเป้าไปที่ระบบ Agentic AI โดยเฉพาะ นั่นเป็นการอ้างความริเริ่มของผู้เขียน ซึ่งผมไม่สามารถตรวจสอบได้จากเอกสารที่อยู่ตรงหน้า แต่สิ่งที่ผมพูดได้คือ การออกแบบในระดับภูมิภาคเป็นการตอบสนองที่สมเหตุสมผลต่อปัญหาที่การศึกษาในระดับประเทศมีร่วมกัน นั่นคือ ความเสี่ยงเป็นคุณสมบัติของอาชีพ แต่การนำไปใช้จริงเป็นคุณสมบัติของสถานที่และบริษัท

จากผลลัพธ์ที่แหล่งข้อมูลให้มา นักวิเคราะห์สินเชื่อ ผู้พิพากษา และผู้เชี่ยวชาญด้านความยั่งยืน มีคะแนน ATE สูงถึง 0.43-0.47 การจัดกลุ่มนี้น่าหันกลับมามองซ้ำอีกครั้ง นักวิเคราะห์สินเชื่อ ผู้พิพากษา และผู้เชี่ยวชาญด้านความยั่งยืน ไม่ได้มีความคล้ายคลึงกันเลยทั้งในด้านการฝึกอบรม ค่าตอบแทน หรือการทำงานในแต่ละวัน สิ่งที่พวกเขามีเหมือนกันตามรายงานของบทความวิจัยนี้ คือคะแนนที่อยู่ในช่วงเดียวกัน ผมอ่านสิ่งนี้ว่าเป็นหลักฐานที่ค้านกับการจัดกลุ่มงานอย่างมักง่ายว่าเป็นงานที่ "ปลอดภัย" หรือ "มีความเสี่ยง" ตามหมวดหมู่ภาคธุรกิจหรือตามระดับความคิดสร้างสรรค์ที่รับรู้กัน

ในขณะเดียวกัน ผมก็จะระมัดระวังไม่ตีความตัวเลขนี้ไปไกลเกินกว่าที่แหล่งข้อมูลรองรับ ข้อมูลที่ผมมีให้มาเพียงช่วงคะแนนของสามอาชีพนี้ และไม่ได้บอกว่าเมื่อเทียบกับรหัสอาชีพที่เหลืออีก 236 รหัสแล้วเป็นอย่างไร ดังนั้น ตัวเลขนี้จึงแสดงให้เห็นว่าบทบาทเหล่านี้มีความเสี่ยงอย่างมีนัยสำคัญตามสเกลของบทความวิจัย แต่ไม่ได้แสดงว่าอาชีพเหล่านี้มีความเสี่ยงสูงที่สุด

ข้อค้นพบระดับภูมิภาคมาพร้อมกับถ้อยคำแบ่งรับแบ่งสู้ที่ควรย้ำเตือน บทความวิจัยระบุว่าผลกระทบต่อกำลังคนในซีแอตเทิล (Seattle) ในช่วงปี 2026-2027 จะเป็นภาพฉายล่วงหน้าของสิ่งที่กำลังคนสายที่ไม่ใช่เทคนิคในระดับประเทศจะได้เผชิญในช่วงปี 2028-2030 นั่นคือคำทำนายที่ระบุระยะเวลาเหลื่อมไว้ชัดเจน และเขียนไว้อย่างระมัดระวัง มันอ่านได้ว่าเป็นสมมติฐานที่ตัวแบบสร้างขึ้น และไม่ควรถือว่าเป็นข้อเท็จจริงที่พิสูจน์แล้ว แต่มันก็เป็นข้อกล่าวอ้างที่มีประโยชน์ เพราะมีความจำเพาะเจาะจงมากพอที่จะพิสูจน์ได้ว่าผิด หากรูปแบบในช่วงแรกของซีแอตเทิลไม่ได้ส่งต่อไปยังกำลังคนสายที่ไม่ใช่เทคนิคในระดับประเทศภายในปี 2028 ตัวแบบนี้ก็จะมีปัญหาที่ไม่สามารถหาข้อแก้ตัวเลี่ยงไปได้

ฝั่งการสร้างงานทดแทนในบัญชีรายการ #

ลำพังคะแนนการแทนที่แรงงานเพียงอย่างเดียวบอกเล่าเรื่องราวของ Acemoglu-Restrepo ได้เพียงครึ่งเดียว ในกรอบแนวคิดของพวกเขา ส่วนแบ่งแรงงานขึ้นอยู่กับว่าการสร้างงานย่อยใหม่จะเติบโตเร็วกว่าการแทนที่หรือไม่ บทความวิจัยที่ขยายกรอบแนวคิดนี้แต่กลับวัดเพียงการแทนที่แรงงาน ย่อมเท่ากับละทิ้งส่วนที่สร้างแรงดึงดูดและสมดุลให้แก่กรอบแนวคิดนั้นไป

แต่บทความวิจัยนี้ไม่ได้ละทิ้ง มันได้ระบุหมวดหมู่อาชีพที่ Agentic AI สร้างผลกระทบการสร้างงานทดแทน (reinstatement effects) นั่นคือ บทบาทหน้าที่ใหม่ๆ ที่ไม่เคยมีอยู่ก่อนการใช้งานระบบเอเจนต์ ซึ่งสร้างความต้องการด้านการกำกับดูแลโดยมนุษย์ การธรรมาภิบาล และการทำงานร่วมกันในระดับขยายขนาด โดยรวมแล้ว บทความวิจัยระบุหมวดหมู่อาชีพเกิดใหม่สิบเจ็ดหมวดหมู่ที่ได้รับประโยชน์จากผลกระทบการสร้างงานทดแทน ซึ่งกระจุกตัวอยู่ในบทบาทด้านการทำงานร่วมกันระหว่างมนุษย์กับ AI การกำกับดูแล AI และการปฏิบัติการ AI เฉพาะทาง

กลไกของเรื่องนี้เข้าใจได้ไม่ยาก หากเอเจนต์ดำเนินเวิร์กโฟลว์ตั้งแต่ต้นจนจบ ก็ต้องมีใครสักคนคอยกำกับดูแลพวกมัน ตั้งกฎเกณฑ์ที่พวกมันต้องปฏิบัติตาม และทำงานเคียงข้างพวกมัน ความต้องการเหล่านั้นไม่เคยปรากฏเป็นตำแหน่งงานมาก่อน เพราะก่อนหน้านี้ยังไม่มีอะไรให้ต้องคอยกำกับดูแล

แหล่งข้อมูลไม่ได้บอกผมว่าทั้งสิบเจ็ดหมวดหมู่นี้จะจ้างงานคนจำนวนเท่าใด หรือการเติบโตของงานเหล่านี้จะช่วยชดเชยการแทนที่แรงงานที่คะแนน ATE สื่อถึงได้หรือไม่ ดังนั้น ข้อมูลที่ผมนำมาใช้ได้จึงยังคงทิ้งคำถามใจกลางสำคัญให้เปิดกว้างอยู่ นั่นคือ การสร้างงานทดแทนจะเติบโตเร็วกว่าการแทนที่แรงงานหรือไม่ ใครก็ตามที่เขียนอย่างมั่นใจว่ามันจะแซงหน้า หรือไม่แซงหน้า ล้วนก้าวข้ามข้อกล่าวอ้างที่ตรวจสอบได้ไปแล้ว คุณูปการของบทความวิจัยนี้คือการนำทั้งสองฝั่งของบัญชีรายการเข้ามาไว้ในกรอบแนวคิดเดียวกัน และระบุชื่อให้เห็นว่าบทบาทใหม่ๆ จะปรากฏขึ้นที่ใด

สิ่งที่ควรเก็บเกี่ยวไปจากงานชิ้นนี้ #

มีทั้งบทเรียนด้านระเบียบวิธีและบทเรียนในทางปฏิบัติ

บทเรียนด้านระเบียบวิธีคือ หน่วยของการวิเคราะห์เป็นตัวตัดสินคำตอบ การกระโดดจาก 47% ลงมาเป็น 9-14% เกิดจากการเปลี่ยนหน่วยจากระดับอาชีพมาเป็นระดับงานย่อย บทความวิจัยนี้โต้แย้งว่า บัดนี้จำเป็นต้องมีการขยับหน่วยอีกครั้ง จากงานย่อยไปสู่เวิร์กโฟลว์ เพราะสิ่งที่กำลังถูกทำให้เป็นอัตโนมัติไม่ใช่เพียงงานย่อยอีกต่อไป ทุกครั้งที่หน่วยของการวิเคราะห์เปลี่ยน ตัวเลขประมาณการก็จะเปลี่ยนตาม และประวัติศาสตร์ของวงการนี้ก็ชี้ให้เห็นว่า การเลือกหน่วยของการวิเคราะห์สมควรได้รับการพินิจพิเคราะห์อย่างเข้มข้นไม่แพ้การเลือกข้อมูลเลย

ส่วนบทเรียนในทางปฏิบัตินั้นสำหรับใครก็ตามที่กำลังวางแผนจำนวนพนักงาน การฝึกอบรม หรือผลิตภัณฑ์ในช่วงห้าปีข้างหน้า คะแนนที่บอกคุณว่า 80% ของงานย่อยในตำแหน่งหนึ่งมีความเสี่ยงนั้นไม่เพียงพออีกต่อไป เพราะมันไม่ได้บอกว่าอีก 20% ที่เหลือคือแกนหลักของมนุษย์ที่คงทนถาวร หรือเป็นเพียงกาวเชื่อมที่โมดูลการวางแผนของเอเจนต์สามารถเข้ามาทำแทนได้แล้วในตอนนี้ ปัจจัยความครอบคลุมของเวิร์กโฟลว์ถือกำเนิดขึ้นมาเพื่อถามคำถามนั้นโดยตรง

คะแนน ATE เป็นตัวชี้วัดแบบผสมที่มีพารามิเตอร์ซึ่งผ่านการปรับเทียบ และตัวเลขคาดการณ์ของมันก็มาจากตัวแบบ มันคือข้อโต้แย้งที่มีโครงสร้างเกี่ยวกับช่วงปี 2025-2030 ไม่ใช่บันทึกเหตุการณ์ที่เกิดขึ้นแล้ว นั่นคือเหตุผลที่ควรนำมันไปทดสอบมากกว่าจะเพิกเฉย สมมติฐานเรื่องซีแอตเทิลเปิดโอกาสให้ทดสอบได้ตั้งแต่เนิ่นๆ: หากผลกระทบในช่วงปี 2026-2027 ที่นั่นออกมาตรงตามที่ตัวแบบสื่อถึง ระยะเวลาเหลื่อมที่จะส่งต่อไปยังกำลังคนสายที่ไม่ใช่เทคนิคในระดับประเทศในช่วงปี 2028-2030 ก็จะกลายเป็นสิ่งถัดไปที่ต้องจับตามอง และหมวดหมู่งานทดแทนทั้งสิบเจ็ดหมวดหมู่ก็ได้ตั้งคำถามที่ข้อกล่าวอ้างในบทความยังไม่สามารถตัดสินได้ นั่นคือ บทบาทหน้าที่ที่ถูกสร้างขึ้นมาเพื่อกำกับดูแลเอเจนต์ จะมาถึงในจำนวนที่มากพอจะส่งผลต่อส่วนแบ่งแรงงานหรือไม่

คำถามที่พบบ่อย #

เหตุใดกรอบแนวคิดความเสี่ยงของงานย่อยในยุคก่อนจึงประเมินผลกระทบของ Agentic AI ต่ำเกินไป?

กรอบแนวคิดยุคก่อนที่สร้างขึ้นตามแนวทางของ Autor-Levy-Murnane ตั้งสมมติฐานว่าระบบอัตโนมัติจะดึงงานย่อยแต่ละชิ้นออกไป ในขณะที่ตัวอาชีพยังคงอยู่รอดในฐานะเปลือกนอกของการประสานงานโดยมนุษย์ แต่ระบบ Agentic AI ได้ดูดซับการวางแผน การเรียกใช้เครื่องมือ การจัดการสถานะ และการตรวจสอบคุณภาพระหว่างกลางที่แต่เดิมต้องอาศัยมนุษย์เป็นผู้ประสานงาน ทำให้ทั้งเวิร์กโฟลว์ต้องเผชิญความเสี่ยงแทนที่จะเป็นเพียงงานย่อยที่แยกส่วนกัน

คะแนน Agentic Task Exposure (ATE) คำนวณอย่างไร?

ATE เป็นคะแนนรวมเชิงอัลกอริทึมที่สร้างขึ้นจากคะแนนความสำคัญของงานย่อยใน O*NET (wo,t), เกณฑ์มาตรฐานขีดความสามารถของ AI และรายงานการนำไปใช้งานจริงของผู้ปฏิบัติงาน (CAP(t)), ปัจจัยความครอบคลุมของเวิร์กโฟลว์ที่วัดว่าเวิร์กโฟลว์ทั้งหมดของอาชีพหนึ่งๆ สามารถบรรจุอยู่ในขอบเขตการปฏิบัติการของเอเจนต์ได้หรือไม่ และพารามิเตอร์ความเร็วในการนำไปใช้แบบลอจิสติกที่ปรับเทียบแล้ว ครอบคลุมรหัสอาชีพ SOC จำนวน 236 รหัส

การศึกษานี้ค้นพบอะไรเกี่ยวกับการสร้างงานใหม่ (ผลกระทบการสร้างงานทดแทน)?

จากการขยายช่องทางการสร้างงานทดแทนของ Acemoglu-Restrepo การศึกษานี้ระบุหมวดหมู่อาชีพเกิดใหม่สิบเจ็ดหมวดหมู่ที่กระจุกตัวอยู่ในด้านการทำงานร่วมกันระหว่างมนุษย์กับ AI การกำกับดูแล AI และการปฏิบัติการ AI เฉพาะทาง ส่วนการเติบโตในหมวดหมู่เหล่านั้นจะสามารถชดเชยการแทนที่แรงงานในระดับเวิร์กโฟลว์ได้หรือไม่ ยังคงเป็นคำถามเชิงประจักษ์ที่เปิดกว้างอยู่

References #

• Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
• Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
• Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
• National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

ทบทวนล่าสุด 2026-11-01.

# Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/](https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/)

กรอบแนวคิดความเสี่ยงของงานย่อยมองว่าอาชีพเป็นเหมือนเปลือกนอกที่ยังคงอยู่รอดล้อมรอบงานใดก็ตามที่มนุษย์ยังทำอยู่ ระบบเอเจนต์มุ่งสู่เป้าหมายและส่งมอบชิ้นงานที่เสร็จสมบูรณ์ ดังนั้นงานประสานงาน...

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/

Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau

กรอบแนวคิดความเสี่ยงของงานย่อยมองว่าอาชีพเป็นเหมือนเปลือกนอกที่ยังคงอยู่รอดล้อมรอบงานใดก็ตามที่มนุษย์ยังทำอยู่ ระบบเอเจนต์มุ่งสู่เป้าหมายและส่งมอบชิ้นงานที่เสร็จสมบูรณ์ ดังนั้นงานประสานงาน...

https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/

Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau

กรอบแนวคิดความเสี่ยงของงานย่อยมองว่าอาชีพเป็นเหมือนเปลือกนอกที่ยังคงอยู่รอดล้อมรอบงานใดก็ตามที่มนุษย์ยังทำอยู่ ระบบเอเจนต์มุ่งสู่เป้าหมายและส่งมอบชิ้นงานที่เสร็จสมบูรณ์ ดังนั้นงานประสานงาน.

นี่คือประเด็นเชิงกลยุทธ์ที่สำคัญ:

- การพยากรณ์ที่ประเมินไว้สูงเกินจริง. หุ่นยนต์อุตสาหกรรมได้เข้ามาแทนที่คนงานในภาคการผลิตจริง แต่พวกมันไม่ได้ทำเช่นนั้นตามกรอบเวลาหรือในขนาดที่การพยากรณ์ยุคแรกเคยสื่อไว้…
- กรอบแนวคิดระดับงานย่อยทำงานอย่างไร. เพื่อให้เห็นว่าแรงสั่นคลอนมาจากไหน การทำความเข้าใจอย่างแม่นยำว่าแนวคิดสายงานย่อยกล่าวอ้างอะไรไว้บ้างจะช่วยได้มาก.
- จุดบอดที่ทุกกรอบแนวคิดมีร่วมกัน. แหล่งข้อมูลได้ตั้งข้อสังเกตที่เฉียบคมเกี่ยวกับงานทั้งหมดนี้ ทุกกรอบแนวคิดที่อ้างถึงมีจุดบอดเชิงสถาปัตยกรรมร่วมกัน นั่นคือ พวกมันจำลองระบบอัตโนมัติว่าเป็นการดึงงานย่อยแต่ละชิ้นออกไป ในขณะที่ตัวอาชีพยังคงอยู่ครบถ้วน…
- อะไรที่นับว่าเป็นระบบเอเจนต์. หากข้อโต้แย้งขึ้นอยู่กับการจำแนกความแตกต่าง ความแตกต่างนั้นก็จำเป็นต้องมีคำนิยาม แหล่งข้อมูลได้ให้คำนิยามไว้ด้วยเกณฑ์สี่ข้อ ระบบ Agentic AI คือระบบที่:.

แนวทางขององค์กรของคุณในการรับมือกับความท้าทายที่ระบุไว้ในบทความนี้คืออะไร?

→ https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/

#เอเจนต์ #ทลาย #สมมติฐาน #เบื้องหลัง #ความเสี่ยงของงานย่อย

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026agentic,
  author  = {Rousseau, Sebastien},
  title   = {{Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/
ER  -

Rousseau S. Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 25. Available from: https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/

Rousseau, Sebastien. "Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau." sebastienrousseau.com. October 25, 2026. https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/.

Rousseau, S. (2026, October 25). Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/

Agentic AI ทลายสมมติฐานเบื้องหลังการพยากรณ์ความเสี่ยงของงานทุกฉบับ — Sebastien Rousseau

กรอบแนวคิดความเสี่ยงของงานย่อยมองว่าอาชีพเป็นเหมือนเปลือกนอกที่ยังคงอยู่รอดล้อมรอบงานใดก็ตามที่มนุษย์ยังทำอยู่ ระบบเอเจนต์มุ่งสู่เป้าหมายและส่งมอบชิ้นงานที่เสร็จสมบูรณ์ ดังนั้นงานประสานงาน...

Originally published at https://sebastienrousseau.com/th/2026-10-25-agentic-ai-thlaysmmtithanbeueonghlangkarphyakrn-khwamsiang-nganthukchbab/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER