หลายคนที่ตามซีรีส์นี้มา พออ่านจบแล้วรู้สึกสองอย่างพร้อมกัน ทึ่งที่ AI ทำได้ขนาดนี้ กับใจหายว่า "แล้วเราล่ะ จะเหลืออะไร" บทความนี้ไม่ได้มาปลอบแบบลอย ๆ แต่จะพาไปดูงานวิจัยเศรษฐศาสตร์ชิ้นล่าสุด กับสุนทรพจน์ที่ตอบคำถามนี้ได้ตรงที่สุด แล้วคุณจะเห็นว่าความใจหายนั้นวางอยู่บนความเข้าใจผิดสองข้อ
ขอเริ่มจากยอมรับความรู้สึกก่อนครับ ความกลัวว่า "AI จะมาแทนเรา" ไม่ใช่เรื่องเว่อร์ หรือคิดมากไปเอง มันมีเหตุผลรองรับจริง ๆ และคนเก่ง ๆ ทั่วโลกก็กลัวเหมือนกัน แต่ปัญหาคือ พอเรากลัว เรามักสรุปต่อผิดทางว่า "ที่คนตกงานเพราะ AI เก่งกว่าเรา = เราไร้ค่า" และนี่แหละคือความเข้าใจผิดข้อแรกที่ผมอยากรื้อ
มีงานวิจัยเศรษฐศาสตร์ที่กำลังเป็นที่พูดถึงมากในปี 2026 ชื่อ "The AI Layoff Trap" (กับดักการเลิกจ้างจาก AI) โดยนักวิจัยจาก University of Pennsylvania และ Boston University งานชิ้นนี้พิสูจน์ด้วยแบบจำลองทางคณิตศาสตร์ว่า คลื่นการเลิกจ้างที่เรากำลังเห็น ไม่ได้เกิดเพราะมนุษย์ "แพ้" AI ในเชิงคุณค่า แต่เกิดจากกับดักเชิงระบบที่ลากทุกคนลงเหว รวมถึงบริษัทที่เป็นคนกดปุ่มเลิกจ้างเองด้วย
แกะคำศัพท์
Layoff อ่านว่า "เลย์-ออฟ" แปลว่า "การเลิกจ้าง" (ปลดพนักงานออกเพราะบริษัทไม่ต้องการตำแหน่งนั้นแล้ว ไม่ใช่เพราะทำผิด) ส่วน Trap อ่านว่า "แทร็พ" แปลว่า "กับดัก" รวมกันคือ "กับดักการเลิกจ้าง"
ลองนึกภาพง่าย ๆ ครับ บริษัท A ปลดพนักงานออก 1 คน แล้วเอา AI มาทำแทน สิ่งที่บริษัท A ได้คือ "เงินเดือนที่ประหยัดได้ เต็ม ๆ 100%" เข้ากระเป๋าตัวเอง กำไรดูดีขึ้นทันที
แต่พนักงานที่ถูกปลดคนนั้น เขาไม่ได้หายไปจากโลก เขายังต้องกินต้องใช้ แต่ตอนนี้ เขาไม่มีเงินจะไปซื้อของแล้ว เขาเคยเป็นลูกค้าของร้านค้า ของบริษัท B, C และอาจเป็นลูกค้าของบริษัท A เองด้วยซ้ำ พอเขาไม่มีรายได้ ยอดขายของทุกบริษัทก็หดลงนิดหน่อย
จุดสำคัญอยู่ตรงนี้: บริษัท A เก็บเงินที่ประหยัดได้ไปเต็ม ๆ แต่แบกความเสียหาย (ยอดขายที่หาย) แค่เศษเสี้ยว เพราะความเสียหายส่วนใหญ่ไปตกที่บริษัท B, C และสังคมโดยรวม นักเศรษฐศาสตร์เรียกของแบบนี้ว่า demand externality
แกะคำศัพท์
Externality อ่านว่า "เอ็กซ์เทอร์นัลลิตี้" แปลว่า "ผลกระทบภายนอก" คือผลจากการกระทำของเรา ที่ไปตกกับคนอื่นโดยที่เราไม่ต้องรับผิดชอบ (เหมือนโรงงานปล่อยควันเสีย โรงงานได้กำไร แต่คนข้างบ้านสูดควัน) ส่วน Demand อ่านว่า "ดีมานด์" แปลว่า "อุปสงค์ / ความต้องการซื้อ" รวมกันคือ "ผลกระทบภายนอกฝั่งกำลังซื้อ"
ทีนี้ พอบริษัท A ลดต้นทุนได้ มันก็ลดราคาขายได้ บริษัท B กับ C ที่ยังจ้างคนอยู่จะสู้ราคาไม่ไหว ก็ จำเป็น ต้องปลดคนเอา AI มาแทนบ้าง ไม่งั้นเจ๊ง พอ B, C ปลดคนตาม กำลังซื้อในระบบก็ยิ่งหดลงไปอีก แล้ววนกลับมากระทบทุกคนซ้ำ ๆ กลายเป็น วงจรดิ่งลง (dead spiral)
นี่คือจุดที่หลายคนเข้าใจผิด (รวมถึงโพสต์ที่แชร์กันเยอะ) ว่ามันเป็น "prisoner's dilemma" หรือกลยุทธ์ที่ครอบงำ (dominant strategy) แบบเป๊ะ ๆ จริง ๆ แล้วตัว paper วางกรอบมันเป็น "ความล้มเหลวในการประสานงาน" (coordination failure) จาก externality ไม่ใช่เกมนักโทษบริสุทธิ์ แต่ ภาพเทียบ ของ prisoner's dilemma ก็ช่วยให้เห็นภาพได้ดี:
ภาพเทียบ: ปัญหานักโทษ (Prisoner's Dilemma)
Prisoner's Dilemma อ่านว่า "พริ-เซิน-เนอร์ส ดิ-เล็ม-ม่า" แปลว่า "ภาวะกลืนไม่เข้าคายไม่ออกของนักโทษ" เกมคลาสสิกที่ต่างคนต่างเลือกทางที่ดีต่อตัวเอง แต่พอทุกคนทำ ทุกคนกลับแย่ลงพร้อมกัน
ถ้าทุกบริษัท "ร่วมมือกัน" ไม่ปลดคนเกินพอดี ทุกคนจะอยู่รอดได้ดีกว่า แต่ไม่มีใครกล้าเป็นคนแรกที่หยุด เพราะกลัวคู่แข่งที่ปลดคนจะได้เปรียบ สุดท้ายทุกคนเลยเลือกทางที่แย่ที่สุดสำหรับส่วนรวม ทั้งที่ทุกคนรู้ว่ามันไม่ดี นี่คือที่มาของชื่อ paper: "เรารู้ว่ามันแย่ ก็ยังหยุดไม่ได้"
จุดปลอบใจที่สำคัญที่สุด
สิ่งที่ paper พิสูจน์ได้และเปลี่ยนมุมมองเราได้จริง คือความเสียหายนี้ ไม่ใช่การย้ายเงินจากลูกจ้างไปให้เจ้าของ (transfer) แต่มันคือ "ส่วนที่หายไปเฉย ๆ" (deadweight loss) ที่ทำให้ ทั้งลูกจ้างและเจ้าของ "แพ้" พร้อมกัน พูดง่าย ๆ คือพายทั้งก้อนเล็กลง ไม่ใช่แค่แบ่งใหม่ แปลว่าการที่คุณถูกปลด ไม่ได้เพราะคุณไร้ประโยชน์ แต่เพราะระบบทั้งระบบกำลังเดินไปผิดจุด แม้แต่คนที่ปลดคุณก็ยังจบลงแย่ลงในภาพรวม
แกะคำศัพท์
Deadweight loss อ่านว่า "เดดเวท ลอส" แปลตรงตัวว่า "ส่วนสูญเสียที่ไม่ตกกับใครเลย" มูลค่าที่หายไปจากระบบเศรษฐกิจโดยไม่มีใครได้ไป (ต่างจากการ "ย้าย" เงินจากคนหนึ่งไปอีกคน ซึ่งอย่างน้อยก็ยังมีคนได้)
ลองมองอีกมุมที่ช่วยให้เห็นภาพชัดขึ้น ถ้าเราวางระดับ "การเอา AI มาแทนคน" เป็นเส้นตรงเส้นหนึ่ง จากซ้าย (แทนน้อย จ้างคนเยอะ) ไปขวา (แทนเยอะ จ้างคนน้อย) จะมีอยู่สองจุดที่ไม่ตรงกัน จุดแรกคือ "จุดที่ดีต่อสังคมโดยรวม" (social optimum อ่านว่า "โซเชียล ออปติมัม") ที่ระบบทั้งหมดได้ประโยชน์สูงสุด อีกจุดคือ "จุดที่แต่ละบริษัทเลือกจริง" (firm optimum อ่านว่า "เฟิร์ม ออปติมัม" optimum แปลว่า "จุดที่เหมาะที่สุด") ซึ่งอยู่ขวากว่าเสมอ เพราะบริษัทมองเห็นแต่เงินที่ตัวเองประหยัด ไม่เห็นกำลังซื้อที่ทั้งระบบเสียไป ช่องว่างระหว่างสองจุดนี้แหละ คือคนที่ถูกปลด "เกินความจำเป็น" และคือ deadweight loss ที่ว่า
paper ทดสอบนโยบายที่วงวิชาการเคยเสนอแทบทุกตัว เงินช่วยเหลือถ้วนหน้า (Universal Basic Income หรือ UBI), การอัปสกิลแรงงาน, ภาษีเงินได้จากทุน, การให้ลูกจ้างถือหุ้น แล้วพบว่า ไม่มีตัวไหนแก้ที่ต้นตอได้ เพราะไม่ได้แตะ "แรงจูงใจให้ปลดคนเกินพอดี" โดยตรง
ตัวเดียวที่ได้ผลในแบบจำลองคือ Pigouvian automation tax (ภาษีการทำงานอัตโนมัติแบบพิกู) หลักการคือ "ทำลายกำลังซื้อไปเท่าไหร่ ก็จ่ายภาษีสะท้อนต้นทุนนั้นกลับเข้าระบบ" ทำให้บริษัทต้องแบกต้นทุนที่เคยผลักให้คนอื่น พอต้นทุนจริงกลับมาอยู่ในสมการ บริษัทก็จะเลือกจุดที่ดีต่อสังคมเอง พูดง่าย ๆ คือดึง "จุดที่บริษัทเลือกจริง" ในแผนภาพก่อนหน้าให้เลื่อนกลับมาซ้อนกับ "จุดที่ดีต่อสังคม"
แกะคำศัพท์
Pigouvian อ่านว่า "พิกูเวียน" ไม่ใช่ศัพท์เทคนิคลึกลับ แต่มาจากชื่อคน Arthur Pigou (อาเธอร์ พิกู) นักเศรษฐศาสตร์ชาวอังกฤษที่เสนอไอเดีย "เก็บภาษีจากคนที่สร้างผลกระทบภายนอกให้เท่ากับความเสียหายที่เขาก่อ" ภาษีบุหรี่หรือภาษีคาร์บอนก็เป็นภาษีพิกูเวียนแบบหนึ่ง
ดีไซน์ที่ฉลาด: ภาษีที่หดตัวเอง (self-limiting)
paper ยืนยันว่าภาษีนี้ "หดตัวเอง" เงินที่เก็บได้เอาไป retrain (อ่านว่า "รีเทรน" คือ "ฝึกทักษะใหม่") แรงงานและช่วยเหลือรายได้ พอแรงงานปรับตัวได้ ผลกระทบภายนอกก็ลดลง ภาษีที่ต้องเก็บก็ยิ่งเล็กลงเอง มันหนักสุดแค่ช่วงเปลี่ยนผ่าน แล้วค่อย ๆ เบาลงตามที่คนปรับตัวได้
สิ่งที่ paper นี้ให้เราจริง ๆ ไม่ใช่ความหดหู่ แต่คือหลักฐานว่า "จุดที่ดีต่อสังคม" ต้องการแรงงานคน มากกว่า จุดที่บริษัททำอยู่ทุกวันนี้ โลกที่สมดุลกว่านี้ ยังมีที่สำหรับคุณ
งานคลาสสิกของ Daron Acemoglu (อ่านประมาณ "ดารอน อาเจโมกลู" นักเศรษฐศาสตร์รางวัลโนเบล) กับ Pascual Restrepo ("ปาสกวาล เรสเตรโป") อธิบายว่าเทคโนโลยีมีสองแรงเสมอ: แรงแทนที่ (displacement effect) ที่ลบงานเดิม กับ แรงสร้างใหม่ (reinstatement effect) ที่สร้างงานประเภทใหม่ที่เมื่อก่อนไม่มี
ทุกคลื่นเทคโนโลยีในประวัติศาสตร์ (เครื่องจักรไอน้ำ, ไฟฟ้า, คอมพิวเตอร์) เคยทำให้คนกลัวตกงานหมดงานแบบนี้มาแล้ว และทุกครั้ง บทบาทของคนเปลี่ยนไป ไม่ใช่หายไป ประเด็นของ Acemoglu คือ "แรงสร้างใหม่" ไม่ได้เกิดเองอัตโนมัติ มันขึ้นกับว่าเราเลือกออกแบบและใช้เทคโนโลยีอย่างไร ซึ่งกลับมาเชื่อมกับข้อสรุปของ Layoff Trap พอดี: นี่คือเรื่องของทางเลือกเชิงระบบ ไม่ใช่เรื่องที่ถูกลิขิตไว้แล้วเปลี่ยนไม่ได้
ความใจหายส่วนหนึ่งมาจาก "ภาพ" ของ AI ที่เราเห็นทุกวัน ในฟีดมีแต่คนโชว์ว่า AI ทำนู่นทำนี่สำเร็จเป็นเรื่องมหัศจรรย์ จน AI ดูเหมือนสมองกลไร้ที่ติที่กำลังจะแทนมนุษย์ทุกตำแหน่ง แต่ภาพนั้นบิดเบี้ยว และมีเหตุผลเชิงโครงสร้างว่าทำไมมันถึงบิด
Charity Majors ("แชริตี้ เมเจอร์ส" วิศวกรซอฟต์แวร์ชื่อดัง) อธิบายไว้คมมากว่าทำไมคน "เชียร์ AI" กับคน "ต้าน AI" ถึงเถียงกันไม่จบ เพราะ ผลดีกับต้นทุนของการใช้ AI มันตกกับคนคนละกลุ่มกัน คนที่ได้ speed ได้ผลงานเร็ว ๆ ก็ออกไปเล่าความสำเร็จบนเวที โดยที่ไม่รู้ด้วยซ้ำว่ามี "กองไฟ" อะไรที่ทีมอื่นต้องตามเก็บทีหลังเป็นเดือน ๆ ส่วนคนที่นั่งเก็บกวาดความเสียหายก็ทำเงียบ ๆ ไม่มีใครเห็น พอไม่มี "เส้นเชื่อม" (feedback loop) ให้ใครเห็นภาพครบทั้งสองด้าน ต่างคนเลยต่างเห็นแค่ครึ่งเดียว ทั้งที่ทั้งคู่พูดความจริง
ซ้ำร้าย มันยังมีแรงกดดันทางสังคมด้วย: ถ้าใครออกมาตั้งคำถามกับ AI มักโดนตราหน้าว่า "ไม่รัก productivity" หรือ "กำลังจะตกรถ" พอคนกลัวโดนมองแบบนั้น เสียงตั้งข้อสงสัยก็ยิ่งเงียบลงไปอีก ภาพ "AI เทพ" เลยยิ่งถูกขยายเข้าไปใหญ่โดยไม่มีใครถ่วงดุล
แล้วความจริงเป็นยังไง? ตัวเลขจากงานวิจัยหักล้างภาพนั้นชัดเจน รายงาน "The GenAI Divide" ของ MIT (2025) พบว่าโครงการนำ AI มาใช้ในองค์กรราว 95% ล้มเหลว ไม่สร้างผลตอบแทนที่วัดได้ (มีแค่ราว 5% ที่เวิร์กจริง) และผลสำรวจ CEO ของ IBM (2025) ก็พบว่ามีแค่ 16% ขององค์กรที่ขยายการใช้ AI ได้สำเร็จทั่วทั้งบริษัท
และที่สำคัญที่สุด เหตุผลที่มันล้มส่วนใหญ่ไม่ใช่ "AI ฉลาดเกินจนคนตามไม่ทัน" หรือ "คนในองค์กรโง่" แต่เป็นเรื่องน่าเบื่ออย่างคุณภาพของข้อมูลและความพร้อมขององค์กร ถ้าข้อมูลในบริษัทกระจัดกระจาย ไม่อัปเดต ไม่ถูกต้อง AI ก็เรียนรู้ธุรกิจนั้นไม่ได้ กลายเป็นหลัก garbage in, garbage out
แกะคำศัพท์
Garbage in, garbage out อ่านว่า "การ์บิจ อิน การ์บิจ เอาต์" แปลตรงตัวว่า "ขยะเข้า ก็ขยะออก" เป็นคำคลาสสิกในวงคอมพิวเตอร์: ป้อนข้อมูลห่วย ๆ เข้าไป ต่อให้เครื่องเก่งแค่ไหนก็คายผลลัพธ์ห่วย ๆ ออกมา ความผิดหลายครั้งจึงไม่ได้อยู่ที่ตัว AI แต่อยู่ที่ข้อมูลที่เราป้อนให้มัน
เพราะงั้น ก่อนจะสรุปว่า "AI เก่งจนเราหมดค่า" ลองถอยมามองภาพให้ครบ: AI ที่เก่งในเดโม กับ AI ที่เอาไปใช้จริงในองค์กรให้คุ้มค่า เป็นคนละเรื่องกัน และระยะห่างตรงนั้นเต็มไปด้วยงานที่ต้องใช้ "คน" ที่เข้าใจบริบท จัดการข้อมูล และตัดสินว่าอะไรเชื่อได้อะไรเชื่อไม่ได้ ล้วนเป็นงานที่ต้องพึ่ง "การตัดสินของมนุษย์" ทั้งสิ้น และนั่นแหละคือประตูที่พาเราไปสู่ความจริงข้อที่ 2
ข้อแรกบอกว่า "การถูกปลดเป็นเรื่องเชิงระบบ ไม่ใช่คำตัดสินคุณค่าคุณ" แต่มันยังไม่ตอบคำถามใจหายที่ว่า "แล้วเราจะเหลืออะไร" ให้ AI คำตอบที่ผมชอบที่สุดมาจากสุนทรพจน์รับปริญญาของ Daniel Pink (แดเนียล พิงก์) นักเขียนหนังสือขายดีด้านแรงจูงใจ ที่พูดกับบัณฑิตศิลปะรุ่นปี 2026 ไว้ว่า
"ในยุคแห่งปัญญาประดิษฐ์ รสนิยมจะเป็น killer app ของคุณ"
Pink ชี้ว่า โมเดลภาษาอย่าง Claude หรือ ChatGPT เก่งมากในการ "สร้างทางเลือก" พิมพ์คำสั่งไป มันพ่นตัวเลือกออกมาให้เป็นสิบเป็นร้อยในไม่กี่วินาที แต่มันไม่รู้ว่าอันไหนดี มันไม่มีความชอบ ไม่มีมุมมอง ไม่รู้ด้วยซ้ำว่าอะไรงามอะไรน่าเบื่อ มันแค่ทำนายคำหรือโค้ดตัวถัดไปตามสถิติ
แกะคำศัพท์
Taste อ่านว่า "เทสต์" ในที่นี้ไม่ได้แปลว่า "รสชาติ" แต่แปลว่า "รสนิยม" ความสามารถในการตัดสินว่าอะไรดี อะไรงาม อะไรใช่ ส่วน Killer app อ่านว่า "คิลเลอร์ แอพ" แปลว่า "ตัวเด็ดที่ทำให้คนขาดไม่ได้" (จุดขายที่ทำให้คุณเหนือกว่าคนอื่น)
สิ่งที่ Pink พูดกลับหัวความกลัวของเราเลย: ยิ่งทุกคนผลิตอะไรก็ได้ในพริบตา ทักษะที่กลายเป็นของหายากจึงไม่ใช่ "การผลิต" อีกต่อไป แต่คือ "การแยกแยะว่าอะไรดี" โลกกำลังจะท่วมไปด้วยเนื้อหา ตัวเลือก และเสียงรบกวนมากกว่าที่มนุษย์คนไหนจะรับไหว และในโลกแบบนั้น คนที่มีรสนิยมพอจะบอกได้ว่า "อันนี้แหละใช่ ที่เหลือทิ้งไป" คือคนที่มีค่าที่สุด
ตรงนี้ไม่ใช่แค่คำพูดสวย ๆ มีงานวิจัยภาคสนามรองรับ Harvard Business School ร่วมกับ Boston Consulting Group ทดลองกับที่ปรึกษาระดับหัวกะทิ 758 คน ผลออกมาเป็นสิ่งที่เรียกว่า "Jagged Frontier" (พรมแดนขรุขระ):
จุดที่ทำให้ "พรมแดน" นี้อันตราย คือมัน ขรุขระจนมองไม่ออกด้วยตาเปล่า: งานที่ AI เก่งเวอร์ กับงานที่ AI พังยับ อาจอยู่ห่างกันแค่นิดเดียวและดู "ยากพอ ๆ กัน" ในสายตาเรา คนที่ใช้ AI เป็นจริง ๆ จึงไม่ใช่คนที่กด AI คล่อง แต่คือคนที่ รู้ว่าตอนนี้ตัวเองยืนอยู่ในเขตหรือนอกเขต
แกะคำศัพท์
Jagged อ่านว่า "แจ็กเกด" แปลว่า "ขรุขระ / เป็นฟันเลื่อย" ส่วน Frontier อ่านว่า "ฟรอนเทียร์" แปลว่า "พรมแดน / ชายแดน" ภาพคือความสามารถของ AI ไม่ได้เรียบเสมอกัน บางงานเก่งเวอร์ บางงาน (ที่อยู่ถัดไปนิดเดียว) ห่วยเลย เส้นแบ่งเลยขรุขระมองไม่ออกด้วยตาเปล่า
Pink ยกอีกตัวอย่างจากวงการหนังสือ (อ้างงานวิจัยจาก Cornell และ Minnesota) ว่าหลัง ChatGPT ออกมา จำนวนหนังสือออกใหม่พุ่งขึ้นหลายเท่า แต่คุณภาพเฉลี่ยกลับดิ่งลง ปริมาณเพิ่ม แต่ของดีหายากขึ้น (ข้อสังเกต: สถิติ "หนังสือ" ตัวเป๊ะ ๆ ผมยังตรวจไม่พบต้นทางชัด แต่มีงานวิจัยของ Cornell ปลายปี 2025 ที่พบรูปแบบเดียวกันในงานวิจัยวิทยาศาสตร์ AI ช่วยให้ผลิตงานได้เยอะขึ้นราวหนึ่งในสามบน arXiv แต่ "งานคุณภาพต่ำ" ก็ท่วมตามมาจนกรรมการแยกของดีออกยากขึ้น) ปริมาณพุ่ง แต่ของดีจมหายไปในกอง
เรื่องพวกนี้จับต้องได้จริงในสถานการณ์ที่หลายคนต้องเจอ ห้องสัมภาษณ์งานที่ผู้สัมภาษณ์ถามตรง ๆ ว่า "ในเมื่อบริษัทมี AI ใช้อยู่แล้ว ทำไมต้องจ้างคุณ?" คำตอบที่ดีไม่ใช่การไปเถียงว่าคุณเขียนโค้ด/เขียนงานได้ดีกว่า AI (ซึ่งอาจไม่จริง) แต่คือการชี้ว่าคุณค่าของคุณอยู่คนละชั้นกับสิ่งที่ AI ทำ
ตัวอย่างที่คมที่สุดคือประโยคในห้องประชุม: ลูกค้าพูดว่า "จริง ๆ ผมไม่ได้มีปัญหากับระบบนะ แต่ผมไม่ไว้ใจข้อมูลที่ระบบแสดง" AI อาจมองเป็นแค่ feedback ธรรมดา แต่คนที่มีประสบการณ์จะจับได้ว่าปัญหาจริงไม่ใช่เรื่องฟังก์ชัน แต่เป็นเรื่อง "ความน่าเชื่อถือของข้อมูล" ซึ่งพาไปสู่ทางแก้ที่ต่างกันโดยสิ้นเชิง การอ่านเกมออกจากประโยคเดียวแบบนี้เกิดจากคนที่เข้าใจคนด้วยกัน ไม่ใช่จากการทำนายสถิติ
"AI เป็นเครื่องยนต์ที่วิ่งได้เร็วมาก แต่ยังต้องมีคนจับพวงมาลัย"
สรุปคำตอบในห้องสัมภาษณ์ก็คือ: บริษัทไม่ได้จ้างคุณมาแข่งกับ AI แต่จ้างมาใช้ AI ให้เกิดประโยชน์สูงสุด และเปลี่ยนผลลัพธ์ดิบ ๆ ของมันให้กลายเป็นคุณค่าที่จับต้องได้จริงสำหรับธุรกิจ AI ทำให้ทำงานเร็วขึ้น แต่คนเป็นผู้กำหนดว่า "ควรทำอะไร" และ "รับผิดชอบผลลัพธ์นั้นยังไง"
ถ้ารสนิยมคือที่ยืนของเรา คำถามคือมันสร้างยังไง Pink สรุปเป็นกฎ 3 ข้อ:
🏆 ข้อ 1: การสร้างสำคัญกว่าการเสพ
เราสร้างรสนิยมผ่านการ "ลงมือทำ" ไม่ใช่แค่นั่งดู AI เรียนจากงานของคนอื่น แต่คุณเรียนจากงานของตัวเอง ทุกโปรเจกต์ที่ดิ้นรน ทุกคำวิจารณ์ที่เจ็บ ทุกชิ้นที่เกือบถอดใจ นั่นแหละคือวิธีที่รสนิยมถูกหล่อขึ้น เสพงานดี ๆ เพื่อเก็บวัตถุดิบได้ แต่ให้สัดส่วน "สร้าง" มากกว่า "เสพ"
🏆 ข้อ 2: รสนิยมคือความกล้าที่จะปฏิเสธ
รสนิยมไม่ใช่แค่ "ความเห็นส่วนตัวที่เชื่อถือไม่ได้" แต่คือความกล้าหาญที่จะเลือกข้าง และพูดว่า "ไม่ อันนี้ยังไม่ดีพอ" แม้ทั้งห้องจะพยักหน้าว่าใช่ สิ่งที่แยกมืออาชีพจากมือสมัครเล่นคือการใส่ใจงานลึกพอจะกล้าปฏิเสธ
🏆 ข้อ 3: ถ้ารสนิยมไม่เคยเปลี่ยน แสดงว่าคุณไม่มีรสนิยม
คนที่ยืนระยะได้ทั้งชีวิตไม่ใช่คนที่เจอแนวตัวเองตอนอายุยี่สิบแล้วกอดไว้ไม่ปล่อย แต่คือคนที่พร้อมถูกท้าทายและเปลี่ยนอยู่เสมอ รสนิยมไม่ใช่สินค้าสำเร็จรูป แต่คือการฝึกฝนไปตลอดชีวิต
โยงกลับซีรีส์นี้
นี่คือเหตุผลว่าทำไมทั้งซีรีส์ถึงเน้นสอนให้คุณเป็น "คนคุมวง" ที่บอกงานให้ชัด (/grill-me) กั้นห้องให้ AI ทำงานเลอะ ๆ แทน (sub-agent) และตัดสินว่าผลลัพธ์ไหนดี ไม่ใช่สอนให้คุณ "แข่งพิมพ์โค้ดกับ AI" การใช้ Claude Code เป็น ก็คือการฝึกรสนิยมในการตัดสินนั่นเอง: รู้ว่าจะสั่งอะไร จะรับอันไหน จะทิ้งอันไหน
ที่ผ่านมาเราพูดถึง "งาน" กับ "ทักษะ" แต่ถ้าขุดลงไปให้ลึกกว่านั้น ความใจหายของยุคนี้ไม่ได้เป็นแค่เรื่องรายได้ มันเป็นเรื่องตัวตน ลองสังเกตว่าเวลามีคนถาม "คุณเป็นใคร" เรามักตอบด้วยอาชีพ: ผมเป็นนักเขียน เป็นดีไซเนอร์ เป็นหมอ เป็นครู เราแทบไม่ตอบว่า "ผมเป็นคนที่กำลังเรียนรู้และสร้างความหมายบางอย่าง" เพราะโลกสมัยใหม่สอนเราว่า ทำงานเก่ง = มีค่า, ผลิตได้เยอะ = มีค่า เราเลยเผลอผูกคุณค่าตัวเองไว้กับสิ่งที่เราผลิต
พอ AI ทำสิ่งที่เราเคยภูมิใจได้เร็วกว่า ถูกกว่า สิ่งที่สั่นคลอนจึงไม่ใช่แค่ "งาน" แต่คือคำถามว่า "ถ้า AI เขียนแทนได้ ฉันยังเป็นนักเขียนอยู่ไหม" เป็นคำถามเรื่องตัวตน ไม่ใช่แค่เรื่องเงิน
มีเลนส์หนึ่งที่ช่วยให้เห็นว่าทำไม AI ถึงกระเทือนเราลึกขนาดนี้ Integral Theory (ทฤษฎีองค์รวม) ของ Ken Wilber (เคน วิลเบอร์) นักปรัชญาชาวอเมริกัน เขาบอกว่าถ้าจะเข้าใจมนุษย์ ต้องมองพร้อมกัน 4 ด้าน ที่เขาตั้งชื่อตามคำสรรพนามให้จำง่าย I ("ฉัน" = โลกภายใน ความรู้สึกนึกคิด), IT ("มัน" = ร่างกายและสมองที่มองเป็นวัตถุวัดได้), WE ("เรา" = วัฒนธรรมและความเชื่อร่วมของกลุ่ม) และ ITS ("พวกมัน/ของมัน" = ระบบภายนอกอย่างงานและเศรษฐกิจ):
ย้ำ: นี่คือเลนส์ ไม่ใช่ข้อพิสูจน์
การเอา Integral Theory มาจับกับ AI เป็น "เลนส์มอง" ที่ช่วยจัดระเบียบความคิด ไม่ใช่ข้อพิสูจน์ทางวิทยาศาสตร์ เอาไว้ช่วยเห็นภาพว่าจริง ๆ แล้วเรากำลังกลัวอะไรกันแน่ ไม่ใช่กฎตายตัว
ทางออกจึงไม่ใช่การไล่ผลิตให้ทันเครื่อง แต่คือย้ายที่แขวน "ตัวตน" ของเรา จาก "ฉันคือคนที่ทำ task นี้ได้" ไปเป็น "ฉันคือคนที่เห็น เข้าใจ เลือก และให้ความหมายกับสิ่งที่ทำ" พอตัวตนไม่ได้ห้อยอยู่บน task ที่ลอกกันได้ AI ก็ไม่ได้พรากอะไรไป มันแค่ปลดเราออกจากงานซ้ำ ๆ ให้ไปโฟกัสสิ่งที่เป็นเราจริง ๆ (นักคิดสาย creator อย่าง Dan Koe (แดน โค) เขียนประเด็นนี้ไว้ในจดหมาย "The Future of Work When Work is Meaningless" ว่าเมื่องานแบบเดิมเริ่มไร้ความหมาย มนุษย์ต้องหาความหมายใหม่จากการลงมือสร้างและความอยากรู้ ไม่ใช่จากยอด task)
และนี่คือเหตุผลที่ลึกที่สุดว่าทำไมการตัดสินของคุณถึงลอกเลียนไม่ได้ เพราะมันถูกหล่อขึ้นจากชีวิตที่ AI ไม่เคยใช้
มนุษย์มีสิ่งที่ AI ไม่มี นั่นคือชีวิตที่ถูกเวลาและความจริงบีบให้เปลี่ยน รสนิยมและการตัดสินของคุณไม่ได้ลอยมาจากอากาศ มันกลั่นมาจากสิ่งที่คุณเจ็บ เสีย และผ่านมาจริง ๆ และงานที่มีคุณค่าที่สุดในยุคต่อไป อาจไม่ใช่งานที่แค่ "ทำได้" แต่คืองานที่มาจากชีวิตจริง แล้วไปเปลี่ยนชีวิตคนอื่นได้จริง
และไม่ใช่แค่ประสบการณ์ที่ผ่านมา ยังมีอีกหลายอย่างที่เป็นจุดแข็งของมนุษย์ การถามคำถามที่ใช่ (AI ผลิต "คำตอบ" ได้ไม่จำกัด แต่การรู้ว่า "ควรถามอะไร" ตั้งแต่แรก ยังเป็นของคน) และความไว้ใจกับความเห็นอกเห็นใจ ตรงนี้ขอไม่เหมาว่า AI ปลอบใครไม่ได้ หลายคนก็รู้สึกได้รับการรับฟังจาก AI จริง ๆ และวันข้างหน้ามันอาจทำได้ดีกว่านี้อีก แต่การมี "คนอีกคน" ที่เคยเจ็บ เคยกลัว เคยผ่านเรื่องคล้าย ๆ กัน มานั่งข้าง ๆ เรา มันมีน้ำหนักอีกแบบที่ไม่ได้มาแทนกัน สิ่งเหล่านี้ไม่ได้ไปแข่งกับ AI ที่ความเร็วหรือปริมาณ แต่เป็นพื้นที่ที่ "ความเป็นมนุษย์" ยังส่งเสียงได้ชัดที่สุด
ก่อนจะสรุป ขอตอบคำถามที่หลายคนคงยังค้างคาในใจ "ก็แค่ตอนนี้ AI ไม่มีรสนิยม เดี๋ยววันหนึ่งมันก็เก่งจนมีเองแหละ" คำว่า "เดี๋ยววันหนึ่ง" ตรงนี้แหละที่เข้าใจผิด เพราะมันมองรสนิยมเป็น "ทักษะที่รอถูกพิชิต" เหมือนหมากรุกหรือโกะ เกมที่มีกติกาชัดและมี "ตาเดินที่ดีที่สุด" ให้คำนวณหา (ซึ่ง AI ก็พิชิตจนชนะแชมป์โลกไปแล้วจริง ๆ) แต่ความจริงคือ รสนิยมไม่ใช่ "คำตอบที่ถูก" ที่รอให้ใครสักคน (หรือเครื่องจักร) คำนวณเจอ เพราะมันไม่มี "เฉลย" ให้คำนวณตั้งแต่แรก
คำถามว่า "อะไรดี อะไรงาม อะไรคุ้มค่าพอจะใช้ชีวิตไปกับมัน" ไม่ใช่โจทย์คณิตศาสตร์ที่มีคำตอบตายตัวรออยู่ในธรรมชาติ มันคือ การที่ "คน ๆ หนึ่ง" ตัดสินใจ แล้วยืนอยู่ข้างหลังคำตัดสินนั้น และรับผลของมันไปตลอดชีวิตตัวเอง รสนิยมผูกกับการเป็นเจ้าของชีวิต ไม่ใช่กับความสามารถในการประมวลผล
นี่คือจุดที่ทำให้ตอบได้เต็มปากว่า "ไม่มีวัน" ไม่ใช่แค่ "ยังไม่ถึงเวลา": สมมติวันหนึ่ง AI พ่นคำตัดสินเรื่องรสนิยมออกมาได้เนียนกว่าคุณเสียอีก ต่อให้เป็นแบบนั้นจริง มันก็ไม่ได้แปลว่า AI "มีรสนิยมแทนคุณ" แต่แปลว่าคุณเลือกยกสิทธิ์ในการตัดสินชีวิตตัวเองให้มันไปต่างหาก รสนิยมไม่ใช่ของที่ถูกใครแย่งไปได้ มันเป็นได้แค่ของที่เรา "ยอมสละ" เอง และนั่นคือทางเลือก ไม่ใช่ชะตากรรม
ข้อสังเกต
น่าคิดว่าแม้แต่คนในวงการเทคเองก็มีที่รู้สึกไม่สบายใจกับกระแส "อยากได้เครื่องที่คิดและตัดสินใจแทนเราทุกอย่าง" สิ่งที่เขาห่วงไม่ใช่ว่า AI จะเก่งเกินไป แต่คือการที่มนุษย์ ตื่นเต้นที่จะยกอำนาจตัดสินว่า "อะไรดี" ให้เครื่องจักร ทั้งที่นั่นคือแก่นของการเป็นเจ้าของชีวิตตัวเอง คำถามที่แท้จริงจึงไม่ใช่ "AI ทำได้ไหม" แต่คือ "เราจะยอมยกมันให้หรือเปล่า"
ความใจหายที่ว่า "ถ้า AI เก่งขนาดนี้ เราจะอยู่ไปทำไม" วางอยู่บนความเข้าใจผิดสองข้อ:
Pink ปิดสุนทรพจน์ด้วยประโยคติดหู: "Forget the haters and enjoy the taters"
แกะมุข + ที่มาจริงของ "taters"
Haters อ่านว่า "เฮเทอร์ส" คือ "พวกขี้แซะ/คนที่คอยด่า" ส่วน Taters อ่านว่า "เทเทอร์ส" เป็นคำแสลงของ potatoes แปลว่า "มันฝรั่ง" สองคำนี้คล้องจองกันพอดีเลยฟังติดหู
ที่มาไม่ได้ลึกซึ้งอะไรเลย และนั่นแหละคือความเจ๋ง: Pink ไปเจอวลีนี้ใน subreddit ที่คุยกันเรื่องมันฝรั่งโดยเฉพาะ (มีจริง ๆ) ตอนที่คนกำลังเถียงกันเดือดว่ามันฝรั่งบด "สำเร็จรูป" ยี่ห้อ Hungry Jack มันอร่อยหรือห่วยกันแน่ ฝั่งที่รังเกียจก็รุมด่าว่ามันไม่ใช่ของกินของคนมีรสนิยม แต่มีแฟนคนหนึ่งที่ชอบมันจริง ๆ สวนกลับสั้น ๆ ว่า "Forget the haters and enjoy the taters" ช่างพวกที่มาแซะเถอะ กินมันฝรั่งของแกให้อร่อยไปเลย Pink บอกว่านี่คือ "เจ็ดคำที่เอาไปใช้เป็นคติของชีวิตสายสร้างสรรค์ได้เลย"
ฟังดูเป็นแค่เรื่องมันฝรั่ง แต่จริง ๆ มันคือหัวใจของ "รสนิยม" เลย คนที่ออกมาปกป้องมันฝรั่งสำเร็จรูปที่คนอื่นรุมว่า "ไม่มีรสนิยม" ไม่ได้กำลังเคลมว่ามันฝรั่งของเขาดีที่สุดในโลก เขาแค่ กล้ายืนยันสิ่งที่ตัวเองชอบจริง ๆ โดยไม่ต้องรอให้ฝูงชนอนุมัติก่อน นี่คือกฎข้อ 2 ในทางปฏิบัติ: รสนิยมไม่ใช่การเดาว่า "เสียงส่วนใหญ่ชอบอะไร" แต่คือการกล้าเป็นเจ้าของคำตัดสินของตัวเอง
ในโลกที่ AI ผลิต "ของ" กับ "เสียงรบกวน" ออกมาไม่มีวันจบ มันจะมีทั้งพวกขี้แซะ (haters) และตัวเลือกมหาศาลที่คอยดึงความสนใจเราตลอดเวลา สิ่งที่ Pink บอกคือ อย่าเสียพลังไปกับเสียงแซะ แล้วหันมาทุ่มใจกับ "มันฝรั่ง" ของตัวเอง สิ่งที่รสนิยมของคุณบอกว่าดี งานที่คุณเชื่อและอยากลงมือทำ ไม่ต้องหรูหราน่าอวด ขอแค่คุณเลือกมันด้วยตัวเองว่ามันคุ้มค่าพอจะทุ่มใจให้
และในโลกแบบนั้น อนาคตเป็นของคนที่มีรสนิยมพอจะแยกได้ว่าอะไรคือความเป็นมนุษย์ อะไรคือความงาม อะไรคือความจริง และอะไรคือสิ่งที่คุ้มค่าพอจะสร้างมันขึ้นมา
AI ไม่ได้มาแทนคุณค่าของคุณ มันแค่ทำให้ "การผลิต" ถูกลงจนคุณค่าของคุณย้ายไปอยู่ที่ "การตัดสิน" แทน และการตัดสินว่าอะไรดีพอจะใช้ชีวิตไปกับมัน เป็นสิทธิ์ที่ติดตัวคุณมาในฐานะมนุษย์ ไม่มีเครื่องจักรไหนแย่งไปได้ มีแต่คุณเท่านั้นที่จะยกมันให้ หรือไม่ยก
เรียบเรียงและอธิบายใหม่ด้วยคำตัวเอง โดยตรวจสอบข้อเท็จจริงกับแหล่งปฐมภูมิด้านล่าง (แต่ละรายการระบุวันเผยแพร่/วันสืบค้นไว้ในตัว)