ชิ้นข้อมูลสำคัญเพียงชิ้นเดียวที่สามารถเผยให้เห็นถึงผลกระทบของ AI ต่องานของคุณ
ในยุคที่ปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงภูมิทัศน์ของตลาดแรงงาน ผู้เชี่ยวชาญด้านเศรษฐศาสตร์และนักวิจัยจำนวนมากกำลังถกเถียงกันอย่างดุเดือดเกี่ยวกับคำถามหลักประเด็นหนึ่ง: AI จะทำให้คนตกงานจำนวนมากหรือไม่ หรือจะเป็นเพียงเครื่องมือที่เพิ่มประสิทธิภาพการทำงานแทน? แม้จะมีรายงานและการศึกษามากมายที่พยายามตอบคำถามนี้ แต่ข้อมูลที่ขาดหายไปชิ้นสำคัญคือ การบันทึกเวลาที่พนักงานใช้ไปกับงานย่อยแต่ละประเภทในหน้าที่ประจำวันของตนเอง ข้อมูลประเภทนี้คือกุญแจสำคัญที่สามารถช่วยให้เราเข้าใจได้อย่างแท้จริงว่า AI จะเข้ามาแทนที่หรือเสริมสร้างงานในแต่ละอาชีพอย่างไร
นักเศรษฐศาสตร์ชื่อดังอย่าง เดวิด ออเตอร์ (David Autor) จากสถาบันเทคโนโลยีแมสซาชูเซตส์ (MIT) ได้ชี้ให้เห็นในงานวิจัยของเขาว่า การทำนายผลกระทบของเทคโนโลยีต่อการจ้างงานในอดีต เช่น คอมพิวเตอร์ส่วนบุคคลหรือหุ่นยนต์อุตสาหกรรม มักอาศัยข้อมูลเกี่ยวกับการแบ่งเวลาทำงานในระดับงานย่อย (task-level time allocation) ข้อมูลดังกล่าวช่วยให้เราสามารถประเมินได้ว่า เทคโนโลยีใหม่จะสามารถทำหน้าที่แทนมนุษย์ในส่วนใดบ้าง และส่วนที่เหลือจะต้องใช้ทักษะมนุษย์อย่างไร ในทางตรงกันข้าม การศึกษาปัจจุบันเกี่ยวกับ AI มักใช้ข้อมูลในระดับอาชีพกว้างๆ ซึ่งไม่ละเอียดพอที่จะสะท้อนความจริง
ตัวอย่างเช่น ฐานข้อมูล O*NET ซึ่งเป็นฐานข้อมูลมาตรฐานของกระทรวงแรงงานสหรัฐอเมริกา ได้รวบรวมรายการงานย่อยที่เกี่ยวข้องกับอาชีพกว่า 900 อาชีพ แต่ฐานข้อมูลนี้ไม่ได้ระบุสัดส่วนเวลาที่พนักงานใช้กับงานย่อยแต่ละชิ้น เช่น นักพัฒนาซอฟต์แวร์อาจมีงานย่อยหลากหลาย ตั้งแต่การเขียนโค้ด การทดสอบ การประชุมกับทีม ไปจนถึงการแก้ปัญหาลูกค้า หาก AI สามารถเขียนโค้ดได้ดี แต่ยังไม่เก่งเรื่องการเจรจากับลูกค้า สัดส่วนเวลาที่ใช้กับงานย่อยเหล่านี้จะเป็นตัวกำหนดว่า AI จะลดความต้องการแรงงานในอาชีพนี้ลงมากน้อยเพียงใด
ปัญหาคือ ข้อมูลดังกล่าวหายากมาก ฐานข้อมูลการสำรวจการใช้เวลาในชีวิตประจำวันของชาวอเมริกัน (American Time Use Survey: ATUS) ซึ่งดำเนินการโดยสำนักงานสถิติแรงงานสหรัฐ (Bureau of Labor Statistics) เป็นหนึ่งในแหล่งข้อมูลที่ดีที่สุด โดยผู้ตอบแบบสอบถามกว่า 10,000 คนต่อปีจะบันทึกกิจกรรมทั้งวันของตนเองในรูปแบบไดอารี่ แต่ ATUS มุ่งเน้นที่กิจกรรมกว้างๆ เช่น “ทำงาน” โดยไม่เจาะจงถึงงานย่อยภายในช่วงเวลานั้น ทำให้ยากต่อการวิเคราะห์ผลกระทบของ AI
อย่างไรก็ตาม มีความหวังใหม่จากข้อมูลที่กำลังเกิดขึ้น นักวิจัยจากมหาวิทยาลัยชิคาโกและสถาบันอื่นๆ กำลังพัฒนาและใช้ชุดข้อมูลที่ละเอียดยิ่งขึ้น โดยอาศัยการสำรวจแบบไดอารี่เฉพาะกิจที่ขอให้พนักงานบันทึกเวลาที่ใช้กับงานย่อยแต่ละชิ้น เช่น ในโครงการหนึ่ง พนักงานกว่า 1,000 คนจากหลากหลายอุตสาหกรรมได้บันทึกกิจกรรมในที่ทำงานเป็นช่วงละ 15 นาทีตลอดทั้งวัน ข้อมูลนี้เผยให้เห็นว่าพนักงานในอาชีพสำนักงานใช้เวลากว่า 30% กับการอ่านและตอบอีเมล 20% กับการประชุม และเพียง 10% กับงานที่ต้องใช้ความคิดสร้างสรรค์สูง ซึ่ง AI สามารถช่วยในส่วนอีเมลและการสรุปประชุมได้ดี
ข้อมูลประเภทนี้ไม่เพียงช่วยทำนายการเปลี่ยนแปลงในตลาดแรงงานเท่านั้น แต่ยังมีประโยชน์ต่อธุรกิจและนโยบายสาธารณะด้วย สำหรับผู้ประกอบการ ข้อมูลจะช่วยในการวางแผนการฝึกอบรมพนักงานให้เน้นทักษะที่ AI ยังทำไม่ได้ เช่น การตัดสินใจเชิงกลยุทธ์หรือการสร้างความสัมพันธ์กับลูกค้า ในระดับนโยบาย รัฐบาลสามารถใช้ข้อมูลเพื่อออกแบบโปรแกรมช่วยเหลือแรงงานที่ได้รับผลกระทบ เช่น การให้ทุนฝึกทักษะใหม่ในอาชีพที่เติบโตจาก AI
ตัวอย่างที่ชัดเจนคือ ในภาคการแพทย์ แพทย์ใช้เวลาส่วนใหญ่กับการตรวจเอกสารและบันทึกข้อมูลผู้ป่วย ซึ่ง AI สามารถช่วยได้มาก ในขณะที่การวินิจฉัยและการสื่อสารกับผู้ป่วยยังคงต้องพึ่งมนุษย์ ข้อมูลการใช้เวลาจะช่วยให้โรงพยาบาลปรับโครงสร้างงานได้อย่างมีประสิทธิภาพ ลดภาระงานที่ไม่จำเป็นและเพิ่มเวลาสำหรับการดูแลผู้ป่วย
นอกจากนี้ การศึกษาจากธนาคารโลกและองค์การเพื่อความร่วมมือและการพัฒนาทางเศรษฐกิจ (OECD) ชี้ว่า ประเทศที่เก็บข้อมูลการใช้เวลาในระดับงานย่อย เช่น ฝรั่งเศสและเยอรมนี มีความได้เปรียบในการปรับตัวต่อเทคโนโลยีใหม่ เนื่องจากสามารถคาดการณ์และเตรียมการได้ล่วงหน้า
อย่างไรก็ตาม การรวบรวมข้อมูลนี้ยังเผชิญอุปสรรค เช่น ความเป็นส่วนตัวของข้อมูลและต้นทุนในการสำรวจ นักวิจัยเสนอให้ใช้เทคโนโลยีใหม่ เช่น แอปพลิเคชันบนสมาร์ทโฟนที่บันทึกกิจกรรมอัตโนมัติ โดยรักษาความเป็นส่วนตัวผ่านการเข้ารหัส เพื่อให้ได้ข้อมูลที่ครอบคลุมและทันสมัยมากขึ้น
ในท้ายที่สุด ชิ้นข้อมูลเกี่ยวกับการแบ่งเวลาทำงานในระดับงานย่อยคือสิ่งที่ขาดหายไปในการวิเคราะห์ผลกระทบของ AI ต่อการจ้างงาน หากเรามีข้อมูลนี้อย่างเพียงพอ ผู้กำหนดนโยบาย ธุรกิจ และแรงงานจะสามารถเตรียมตัวรับมือกับการเปลี่ยนแปลงได้อย่างมีกลยุทธ์ แทนที่จะคาดเดาแบบสุ่มสี่สุ่มห้า ข้อมูลนี้ไม่ใช่แค่ตัวเลข แต่เป็นแสงสว่างที่นำทางสู่ยุค AI ที่ยั่งยืน
(จำนวนคำประมาณ 728 คำ)
This Article is sponsored by Gnoppix AI (https://www.gnoppix.org)