AI กับแรงงาน: สัดส่วน Junior ลด ไม่เท่ากับถูกเลิกจ้าง

คำตอบสั้น

สัดส่วน Junior ลด ยังสรุปไม่ได้ว่าจำนวนคนลด

สัดส่วนระดับงานคือจำนวนคน Junior หารด้วยพนักงานรวม จึงลดได้เมื่อ Senior เพิ่มเร็วกว่า แม้จำนวน Junior คงเดิมหรือเพิ่มขึ้น งานวิจัยชิ้นหนึ่งพบการเปลี่ยนองค์ประกอบแรงงานในกลุ่มบริษัทที่ศึกษา แต่ไม่ได้แสดงว่า Junior ถูกเลิกจ้างเป็นวงกว้าง วิธีอ่านตัวเลขของกิจการคือดูจำนวนคนและการไหลเข้าออกแยกกัน แล้วค่อยพิจารณาผลผลิต คุณภาพ และต้นทุน

บทความนี้แยกสิ่งที่งานวิจัยรายงานออกจากตัวอย่างสมมติและแนวทางวัดผลสำหรับ SME

REPORTED CLAIM • Working paper

งานวิจัยรายงานการเปลี่ยนองค์ประกอบ ไม่ใช่บัญชีเลิกจ้าง

Chandar และ Klein Teeselink, 20 กันยายน 2026 ประมาณผลรวมคู่เทียบบริษัทที่ดำเนินงานต่างประเทศใน 41 ประเทศ ณ มีนาคม 2026: สัดส่วน Junior ต่ำกว่ากลุ่มควบคุม 1.9 จุดเปอร์เซ็นต์ แต่ค่าประมาณจำนวน Junior ที่ลดลงไม่ชัดทางสถิติ จึงไม่ยืนยันการเลิกจ้างวงกว้าง

Junior คือระดับงาน 1–2; Senior คือ 3–7 รวม Associate ไม่ใช่เกณฑ์อายุ การวิเคราะห์จับคู่ใช้ตัวแปรเครื่องมือ โดยอาศัยการใช้ AI ของบริษัทอื่นรอบสำนักงานใหญ่บริษัทแม่ช่วยแยกการรับ AI ไปใช้จากปัจจัยอื่น ไม่ใช่การสุ่มทดลอง ตัวชี้วัดจากประกาศงาน GenAI และข้อมูล LinkedIn อาจคลาดเคลื่อน; สมมติฐานของเครื่องมือยังพิสูจน์ไม่ได้ครบถ้วน ไม่ใช่ผลเฉพาะไทย SME หรือ AI agent

เอกสารเป็น working paper; คำขอบคุณระบุ S&P Global Research Fellowship ของ Klein Teeselink ระเบียน Stanford เป็นงานเดียวกัน ไม่ใช่การทำซ้ำอิสระ

ANALYSIS • การวิเคราะห์ของ HYBRID MIND

ตัวหารที่เปลี่ยน ทำให้สัดส่วนเปลี่ยนได้หลายทาง

ให้ J คือจำนวนพนักงานระดับ Junior, S คือ Senior และ T คือจำนวนรวม สัดส่วน Junior คือ J ÷ T การเพิ่ม Senior ทำให้ T โตและสัดส่วน Junior ลดได้ โดยไม่ต้องมี Junior ออกจากงานเลย การเลื่อนระดับจาก Junior เป็น Senior ก็ทำให้ยอดของสองกลุ่มเปลี่ยน แต่เป็นการย้ายภายใน ไม่ใช่การออกจากบริษัท

ในเชิงธุรกิจ AI อาจลดเวลาร่างงานบางส่วน แต่ทีมอาจต้องเพิ่มงานตรวจ ทบทวน หรือจัดการข้อยกเว้น หากมีความต้องการซื้อเพิ่ม กำลังผลิตที่คืนมาอาจใช้ขยายงานแทนการลดคน อย่างไรก็ตาม หากไม่มีงานเพิ่มหรือภาระตรวจสูง ประโยชน์ก็อาจไม่เกิด นี่เป็นเส้นทางที่ควรวัดในกิจการ ไม่ใช่ผลตอบแทนที่รับประกันจากงานวิจัย

ตัวอย่างด้านล่างเป็นข้อมูลสมมติในสองช่วงเวลา ไม่ใช่ข้อมูลบริษัทจริง ผลจากงานวิจัย หรือคำพยากรณ์ไทย

สองกรณีแรกแสดงเหตุผลที่ห้ามอ่านสัดส่วนแทนจำนวน: สัดส่วนปลายช่วงเท่ากัน แต่จำนวน Junior กรณีหนึ่งคงเดิม อีกกรณีเพิ่มขึ้น กรณีสุดท้ายจำนวน Junior ลดจริงในตัวอย่าง แต่ตัวเลขรวมเพียงอย่างเดียวก็ยังบอกไม่ได้ว่าเกิดจากการลาออก การเลิกจ้าง การไม่รับคนแทน หรือการเลื่อนระดับ

บัญชีจำนวนคนและการเคลื่อนไหว

ติดตามยอดตั้งต้น การรับเข้า การออก และการเลื่อนระดับ

สำหรับช่วงเวลาที่กำหนด ให้บันทึกจำนวนรวมของแต่ละระดับ ไม่ต้องเก็บชื่อหรือประวัติรายบุคคลเพื่อคำนวณสมการพื้นฐาน กำหนดนิยาม Junior และ Senior ให้คงที่ตลอดช่วงเทียบ และนับการเลื่อนระดับเป็นการย้ายกลุ่มภายใน

ยอด Junior ปลายช่วง = ยอดต้นช่วง + รับ Junior − Junior ที่ออกจากบริษัท − เลื่อนจาก Junior เป็น Senior

ยอด Senior ปลายช่วง = ยอดต้นช่วง + รับ Senior − Senior ที่ออกจากบริษัท + เลื่อนจาก Junior เป็น Senior

ยอดรวมปลายช่วงเท่ากับยอดรวมต้นช่วง บวกการรับเข้าทั้งหมด ลบการออกทั้งหมด การเลื่อนระดับไม่เปลี่ยนจำนวนพนักงานรวม ส่วนสัดส่วน Junior คำนวณจากยอด Junior ปลายช่วงหารยอดรวมปลายช่วง หากยอดรวมเป็นศูนย์ ให้รายงานว่าไม่มีฐานคำนวณ แทนการแสดงเป็น 0%

ตรวจสมการกับยอดจริงทุกครั้ง หากผลไม่ตรง ให้ตรวจช่วงวันที่ นิยามระดับ การย้ายหน่วยงาน และรายการที่ตกหล่น อย่าปรับตัวเลขให้สมการลงตัวโดยไม่มีหลักฐาน

ความหมายต่อธุรกิจ

จำนวนคนไม่ใช่ตัวแทนผลิตภาพหรือเงินสดที่ประหยัดได้

การประเมินการใช้เครื่องมือควรเทียบงานที่ทำได้และคุณภาพกับช่วงฐานที่ชัดเจน เช่น ปริมาณงานที่เสร็จ งานที่ต้องแก้ซ้ำ ความผิดพลาด เวลาตรวจทาน และเวลาที่ใช้ฝึกหรือช่วยเหลือทีม แยกผลตามประเภทงานและช่วงเวลาเท่าที่ข้อมูลรวมเพียงพอ อย่าสรุปว่าการเปลี่ยนจำนวนคนเกิดจาก AI เพียงเพราะเกิดขึ้นในช่วงเดียวกัน

เวลาที่คืนมาไม่เท่ากับเงินสดที่ประหยัดได้ หากคนใช้เวลานั้นทำงานอื่น อาจเป็นกำลังการผลิตที่เพิ่ม แต่ไม่ใช่ค่าใช้จ่ายที่หายไปจากบัญชี การซื้อเครื่องมือเป็นค่าใช้จ่ายของกิจการ ไม่ใช่รายได้หรือกำไรโดยตัวมันเอง การคำนวณ ROI ต้องมีฐานก่อนเริ่มและต้นทุนครบ เช่น ค่าระบบและการเชื่อมต่อ เวลาคนติดตั้ง ตรวจผล แก้งาน ฝึกอบรม และดูแลต่อเนื่อง รวมทั้งมูลค่าผลลัพธ์ที่วัดได้จริง

กรอบเปรียบเทียบที่ทำได้โดยไม่ส่งข้อมูลออกไปมีสี่แบบ: (1) บันทึกยอดรวมด้วยคน (2) ใช้สูตรหรือสคริปต์กำหนดผลลัพธ์แน่นอน โดยไม่ต้องใช้ LLM (3) ใช้ AI ช่วยอธิบายหรือสรุปตัวเลขที่ตรวจแล้ว โดยคนตรวจทาน และ (4) ให้ระบบทำคำสั่งเกี่ยวกับบุคลากรเอง ซึ่งบทความนี้ไม่มีหลักฐานรับรองและไม่ใช่ขอบเขตของการทดลองวัดผลนี้

เลือกวิธีที่ง่ายพอให้ตรวจซ้ำได้ก่อน แล้วเพิ่มเครื่องมือเมื่อมีงานซ้ำที่ชัดเจน กำหนดเจ้าของข้อมูล ผู้ตรวจสูตร และเกณฑ์หยุดหากข้อมูลไม่ครบหรือยอดไม่ตรง

ANALYSIS • ข้อเสนอวัดใน SME ไม่ใช่ผลสำรวจ

เริ่มจาก pilot ขนาดเล็กที่วัดได้ โดยไม่ประเมินพนักงานรายคน

1. เขียนคำถามให้แคบ: ต้องการรู้ว่าสัดส่วนระดับงานเปลี่ยนหรือไม่ จำนวนคนแต่ละระดับเปลี่ยนอย่างไร หรือเครื่องมือช่วยให้งานชนิดหนึ่งมีคุณภาพและเวลาทำงานต่างจากฐานเดิมหรือไม่ อย่ารวมหลายคำถามเป็นข้อสรุปเดียว
2. กำหนดช่วงและกลุ่มระดับ: เลือกวันเริ่มและวันสิ้นสุดที่เทียบกันได้ นิยามระดับงานตามหน้าที่หรือโครงสร้างองค์กร ไม่ใช้การแบ่งตามอายุ และบันทึกการเปลี่ยนนิยามไว้
3. เริ่มบัญชีรวม: บันทึกยอดต้นงวด การรับเข้า การออก และการเลื่อนระดับแยกตามกลุ่ม ใช้ยอดรวมที่จำเป็นเท่านั้น จำกัดผู้เข้าถึง และกำหนดเวลาลบหรือทบทวนข้อมูลตามนโยบายขององค์กร
4. เลือกงานและตัวชี้วัด: ระบุผลผลิตกับเกณฑ์คุณภาพก่อนเริ่ม เช่น งานเสร็จตรงเวลา อัตราแก้ซ้ำ หรือเวลาตรวจทาน พร้อมจดต้นทุนเงินและเวลาคนที่เกิดจริง รวมการฝึกและการดูแลเครื่องมือ
5. เปรียบเทียบอย่างระวัง: ใช้ช่วงฐานและช่วงติดตามที่นิยามเหมือนกัน บันทึกการเปลี่ยนแปลงอื่นที่อาจเกี่ยวข้อง และอธิบายผลเป็นความสัมพันธ์ที่สังเกตได้ ไม่อ้างว่า AI เป็นสาเหตุหากการออกแบบไม่ได้แยกสาเหตุ
6. ทบทวนโอกาสและข้อจำกัด: ตรวจว่าการฝึกและโอกาสทำงานถูกกระจายอย่างไร เครื่องมือครอบคลุมงานหรือภาษาเพียงใด และมีข้อมูลใดตกหล่น ก่อนขยายการใช้งาน

นี่เป็นข้อเสนอสำหรับการวัดภายในองค์กร ไม่ใช่ผลสำรวจไทย แผนคาดการณ์การจ้าง นโยบายบุคลากร หรือหลักฐานว่า AI จะเพิ่มกำไร

OECD Employment Outlook 2023 กล่าวถึงการฝึกทักษะทั้งสำหรับแรงงานที่เปราะบางและผู้มีทักษะสูงหรือผู้จัดการ พร้อมชี้ว่าข้อมูลเรื่องรูปแบบ เนื้อหา และประสิทธิผลของการฝึกยังมีจำกัด ใช้เป็นบริบทประกอบการวางแผน ไม่ใช่คำรับรองว่าการฝึกแบบใดจะได้ผลในปี 2026 หรือกฎสำหรับประเทศไทย อ่านบทที่ 5

ข้อจำกัดและสิ่งที่ยังไม่รู้

อย่าแปลงความสัมพันธ์ระดับบริษัทเป็นคำแนะนำเรื่องคน

การเปลี่ยนระดับงานบอกเรื่องโครงสร้าง แต่คำถามเรื่องเหตุผลการออกต้องใช้หลักฐานอีกชุด ห้ามนำยอดหรือสัดส่วนไปชี้ว่าใครควรได้งานหรือเสียงาน และอย่าสรุปผลระดับประเทศจากคู่เทียบบางบริษัท

ตัวอย่างสัดส่วนและบัญชีในบทความเป็นเลขสมมติที่สร้างเพื่ออธิบายเอกลักษณ์ทางคณิตศาสตร์ ไม่ใช่การจำลองผลของ paper หรือหลักฐานจาก SME ไทย ไม่มีข้อมูลที่ยืนยันผลเฉพาะ AI agent, ผลต่อค่าจ้างหรือกำไร ราคาผู้ขายในปัจจุบัน หรือผลระยะยาวของการฝึกอบรม

การวัดระดับกลุ่มไม่ควรกลายเป็นคะแนนหรือคำแนะนำรับคน เลื่อนขั้น หรือเลิกจ้างรายบุคคล รักษาข้อมูลเป็นยอดรวม ลดโอกาสระบุตัวบุคคล ตรวจความเหลื่อมล้ำในการเข้าถึงโอกาส และระบุว่างานใดหรือกลุ่มใดไม่ได้อยู่ในขอบเขตข้อมูล

คำถามที่พบบ่อย

Junior ในบทความหมายถึงพนักงานอายุน้อยหรือเด็กจบใหม่หรือไม่?

ไม่ใช่ เป็นกลุ่มระดับงานจากการจัดหมวดตำแหน่ง ไม่ใช่เกณฑ์อายุ และไม่ได้หมายถึงเด็กจบใหม่ทุกคน

ถ้ายอด Junior ปลายงวดลด แปลว่ามีการเลิกจ้างไหม?

ยังสรุปไม่ได้ ต้องตรวจการรับเข้า การออกพร้อมเหตุผลที่องค์กรบันทึก และการเลื่อนระดับในช่วงเดียวกัน

สัดส่วน Junior ที่ลดลงเป็นเป้าหมายที่ดีหรือไม่?

สัดส่วนลำพังไม่บอกคุณภาพงาน โอกาสเติบโต ภาระทีม หรือผลทางการเงิน จึงไม่ควรใช้เป็นเป้าหมายโดยไม่มีเหตุผลและตัวชี้วัดประกอบ

องค์กรเล็กต้องเริ่มด้วยระบบ AI วิเคราะห์หรือไม่?

ไม่จำเป็น ยอดรวมกับสูตรตรวจสอบได้อาจพอสำหรับคำถามพื้นฐาน ใช้ AI ช่วยอธิบายได้เมื่อมีผู้ตรวจ แต่ไม่ควรให้ระบบทำคำตัดสินด้านบุคลากรจากตัวเลขนี้

แหล่งอ้างอิง

1. Bharat Chandar และ Bouke Klein Teeselink, “How Does AI Change Labor Demand? Evidence from 41 Countries”, working paper, 20 กันยายน 2026; วิธี นิยาม Table 3 และข้อจำกัด
2. ระเบียนงานวิจัยจาก Stanford Digital Economy Lab, 21 กันยายน 2026; เป็นระเบียนของงานเดียวกัน ไม่ใช่การทำซ้ำอิสระ
3. OECD Employment Outlook 2023, Chapter 5: Skill needs and policies in the age of AI, 11 กรกฎาคม 2023

อ่านต่อจาก HYBRID MIND

• AI Voice Agent สัมภาษณ์ คนตัดสินใจ: หลักฐานจากการรับคนทำงานจริง
• AI ตอบลูกค้าเร็วขึ้น แต่ SME ประหยัดเงินจริงไหม? แยกผลิตภาพ ต้นทุนรวม และ ROI
• IMF “Slow-Moving Tsunami”: AI กระทบงานอย่างไร และทำไมเด็กจบใหม่อาจได้รับผลก่อน