Resume กำลังจะ “ไร้ค่า” จริงหรือ? เมื่อ AI ทำให้ทุกคนดูเก่งขึ้น แต่บริษัทกลับหาคนเก่งจริงยากกว่าเดิม

เมื่อก่อนเวลาเปิด Resume เราพอจะเห็นความแตกต่างของผู้สมัครได้ค่อนข้างชัด บางคนเขียนดี บางคนเขียนธรรมดา บางคนเล่าประสบการณ์ได้เป็นระบบ บางคนมีผลงานจริง แต่ไม่รู้ว่าจะสื่อสารอย่างไร แต่วันนี้ภาพเริ่มเปลี่ยนไป ผู้สมัครสามารถเอาประสบการณ์ทั้งหมดให้ AI ช่วยเขียนใหม่ได้ภายในไม่กี่นาที จากประโยคธรรมดาอย่าง “ดูแลลูกค้าและทำยอดขาย” สามารถกลายเป็น “Drove strategic account growth through consultative selling, customer segmentation and data-driven relationship management.” จากคนที่ไม่เคยรู้จักคำว่า Strategic Thinking ก็สามารถมีคำว่า Strategy เต็ม Resume ได้ จากคนที่อธิบายผลงานตัวเองไม่เก่ง ก็สามารถมี Resume ที่ดูเหมือนผ่านมือ Professional Consultant มาแล้ว ผมไม่ได้คิดว่านี่เป็นเรื่องผิด จริง ๆ แล้ว AI กำลังช่วยแก้ความไม่เท่าเทียมบางอย่างด้วยซ้ำ แต่สิ่งที่น่าสนใจคือ เมื่อทุกคนสามารถสร้าง Resume ที่ดูดีขึ้นได้ง่ายมาก Resume ยังบอกเราได้อยู่หรือไม่ว่า “ใครเก่งจริง”? ผมคิดว่าคำตอบไม่ใช่ Resume จะหายไป แต่ คุณค่าของ Resume ในฐานะหลักฐานความสามารถกำลังลดลง และนี่อาจเปลี่ยนวิธีที่บริษัทต้อง Recruit คนมากกว่าที่คิด

Resume เดิมก็ไม่เคยเป็น “ความจริงทั้งหมด” อยู่แล้ว

ก่อนพูดถึง AI เราต้องยอมรับก่อนว่า Resume ไม่เคยเป็นเครื่องมือที่สมบูรณ์แบบ มันคือเอกสารที่ผู้สมัครเลือกเองว่าอยากให้บริษัทเห็นอะไร อะไรที่ดูดีใส่เข้าไป อะไรที่ไม่ดีอาจไม่ถูกพูดถึง ผลงานที่เกิดจากทีม อาจถูกเขียนเหมือนเป็นผลงานส่วนตัว Job Title จากบริษัทหนึ่งอาจไม่ได้หมายถึง Scope เดียวกับอีกบริษัท ดังนั้น Resume ในเชิง Recruitment จึงเป็น Signal ไม่ใช่ Proof มันให้สัญญาณบางอย่างเกี่ยวกับ ประสบการณ์ การศึกษา เส้นทางการทำงาน Industry Exposure และสิ่งที่ผู้สมัครเลือกนำเสนอ หน้าที่ของ Interview และ Assessment คือเอา Signal เหล่านั้นไปตรวจสอบต่อ ปัญหาคือ AI กำลังทำให้ Signal นี้ สวยและคล้ายกันมากขึ้น จนความสามารถในการแยกคนเริ่มลดลง

ปัญหาไม่ได้อยู่ที่ AI เขียน Resume แต่คือ “Signal-to-Noise Ratio” เปลี่ยนไป

ลองสมมติบริษัทเปิดรับ Business Analyst 1 ตำแหน่ง เมื่อก่อนมี Resume 100 ใบ อาจมีเพียง 20 ใบที่เขียนได้ดีและดูตรงงาน Recruiter จึงใช้ภาษา โครงสร้าง และความชัดเจนของ Resume เป็นหนึ่งในตัวช่วยคัดกรอง วันนี้ผู้สมัคร 80 คนอาจใช้ AI ช่วยปรับ Resume เกือบทุกใบมีคำว่า Data-driven Strategic Cross-functional Stakeholder Management Business Impact Process Improvement ทุกคนมี Bullet Point ที่เขียนเหมือนวัดผลได้ ทุกคนดูเป็น Professional ปัญหาจึงเปลี่ยนจาก “ใครเขียน Resume ดี?” ไปเป็น “ใครเคยทำสิ่งที่เขียนไว้จริง?” นี่คือเรื่องของ Signal Dilution เมื่อเครื่องมือทำให้ทุกคนสร้าง Signal คุณภาพสูงได้ง่ายขึ้น Signal เดิมจะมีพลังในการจำแนกคนลดลง

แต่ต้องระวัง อย่ารีบสรุปว่า “ใช้ AI = ไม่เก่ง”

นี่เป็นอีกด้านหนึ่งที่องค์กรต้องคิดให้รอบคอบ คนที่ใช้ AI เขียน Resume ไม่ได้หมายความว่าเขาหลอกบริษัท บางคนมีผลงานจริงมาก แต่เขียนภาษาอังกฤษไม่เก่ง บางคนทำงานเก่ง แต่ขายตัวเองไม่เป็น บางคนรู้ว่า Achievement ของตัวเองคืออะไร แต่ไม่รู้ว่าจะจัดโครงสร้าง Resume อย่างไร AI ช่วยให้คนกลุ่มนี้สื่อสารความสามารถที่มีอยู่จริงได้ดีขึ้น ในมุมหนึ่ง นี่กลับเป็นเรื่องดี เพราะบริษัทอาจไม่พลาด Candidate ที่เก่ง เพียงเพราะเขาเขียน Resume ไม่สวย ดังนั้นโจทย์ไม่ควรเป็น “จับให้ได้ว่าใครใช้ AI” เพราะอีกไม่นานคนส่วนใหญ่ก็น่าจะใช้ คำถามที่สำคัญกว่าคือ “เราจะตรวจสอบความสามารถที่อยู่หลังข้อความนั้นอย่างไร?”

Resume กำลังเปลี่ยนจาก “เครื่องมือคัดคน” เป็น “สารบัญสำหรับการตรวจสอบ”

ผมคิดว่านี่เป็นวิธีมอง Resume ที่เหมาะกับยุค AI มากกว่า Resume ยังมีประโยชน์ แต่บทบาทของมันควรลดจาก Evidence of Capability มาเป็น Map of Claims หรือแผนที่ของสิ่งที่ผู้สมัครกำลัง Claim ว่าตัวเองเคยทำ เช่นผู้สมัครเขียนว่า Reduced operating cost by 20% แทนที่จะประทับใจกับตัวเลข Interview ควรไปต่อว่า 20% ของ Cost อะไร? Baseline เท่าไร? คุณรับผิดชอบส่วนไหน? ทีมมีกี่คน? คุณเปลี่ยนอะไร? มี Resistance หรือไม่? วัดก่อนและหลังอย่างไร? ถ้ากลับไปทำใหม่ คุณจะเปลี่ยนอะไร? เมื่อถามลึกลงไป คนที่ “เคยทำจริง” กับคนที่ “มีประโยคสวย” จะเริ่มต่างกันอย่างชัดเจน

AI ทำให้การ Interview แบบเดิมก็เริ่มมีปัญหาเหมือนกัน

เรื่องนี้ไม่ได้จบที่ Resume เพราะ Candidate สามารถใช้ AI เตรียมคำตอบ Interview ได้เช่นกัน ถามว่า “จุดแข็งของคุณคืออะไร?” AI เตรียมให้ได้ “เล่าเหตุการณ์ที่เคยแก้ Conflict” AI สร้าง STAR Method ให้ได้ “ทำไมอยากทำงานกับเรา?” AI อ่านเว็บไซต์บริษัทแล้วเขียนคำตอบได้ ดังนั้นถ้า Interview ยังใช้คำถามมาตรฐานที่ Predictable มากเกินไป บริษัทก็จะเจอปัญหาเดียวกับ Resume คือผู้สมัครจำนวนมาก ตอบได้ดีขึ้นโดยไม่ได้หมายความว่า Capability จริงสูงขึ้นเท่ากัน การสัมภาษณ์จึงต้องขยับจาก Prepared Answer ไปสู่ Thinking Process

แทนที่จะถามว่า “เคยทำอะไร” ต้องดูว่า “คิดอย่างไร”

สมมติเรารับ Sales Manager แทนที่จะถามเพียง “คุณเคยวาง Sales Strategy อย่างไร?” ลองให้สถานการณ์จริง ยอดขายบริษัทลด 15% ติดต่อกันสอง Quarter Sales 20 คน Top Performer 2 คนเพิ่งลาออก Pipeline ยังดูเยอะ แต่ Conversion ต่ำ ถ้าคุณเริ่มงานวันจันทร์ คุณจะตรวจอะไรเป็น 3 เรื่องแรก? ไม่มีคำตอบเดียว สิ่งที่เราต้องการเห็นคือ Candidate ตั้งสมมติฐานอย่างไร ถามข้อมูลอะไรเพิ่ม Prioritize อย่างไร แยก Symptoms กับ Causes ได้ไหม และเมื่อข้อมูลไม่ครบ เขาตัดสินใจอย่างไร ตรงนี้สะท้อน Judgment ซึ่งเขียนลง Resume ได้ยากกว่ามาก

Work Sample จะมีความสำคัญมากขึ้น

ในเชิง Selection สิ่งที่มีคุณค่ามากขึ้นในยุคนี้คือ “ให้ทำสิ่งที่ใกล้เคียงกับงานจริง” ถ้ารับ Data Analyst ให้ข้อมูลชุดเล็ก แล้วถามว่ามองเห็นอะไร ถ้ารับ Marketing ให้ Brief แล้วขอ Campaign Logic ถ้ารับ Manager ให้ Case ที่มี People + Cost + Performance แล้วดูวิธีตัดสินใจ ถ้ารับ Developer ให้ดู Code ที่มีปัญหา แล้วถามว่าจะวิเคราะห์อย่างไร สิ่งสำคัญไม่จำเป็นต้องห้ามใช้ AI ตรงกันข้าม บางตำแหน่งควรอนุญาตให้ใช้ด้วยซ้ำ เพราะโลกการทำงานจริงเขาก็ต้องใช้ AI สิ่งที่เราควรประเมินจึงเป็น Human + AI Performance ไม่ใช่พยายามจำลองโลกที่ไม่มี AI อีกต่อไป

คำถามใหม่คือ “ถ้าให้ทุกคนใช้ AI เท่ากัน ใครยังสร้างผลงานได้ดีกว่า?”

ผมคิดว่านี่จะเป็นโจทย์ Recruitment ที่น่าสนใจมาก เมื่อทุก Candidate มี AI ความแตกต่างจะย้ายไปอยู่ที่ ใครตั้งคำถามได้ดีกว่า ใครรู้ว่า Output ไหนเชื่อถือไม่ได้ ใครเข้าใจ Context ใครตรวจความถูกต้องได้ ใครเอาคำตอบไปเชื่อมกับ Business และใครรู้ว่าเมื่อไร ไม่ควรใช้ AI นี่คือ Capability อีกแบบหนึ่ง ไม่ใช่ความสามารถในการทำงานโดยไม่มี Technology แต่เป็นความสามารถในการใช้ Technology อย่างมี Judgment

ประสบการณ์จริงจะต้องถูก “พิสูจน์” มากขึ้น

อีกสิ่งหนึ่งที่จะสำคัญขึ้นคือ Evidence of Work Portfolio Case Study Project Dashboard ที่เคยทำ ตัวอย่างงาน GitHub Presentation หรือแม้แต่การอธิบาย Process จากของจริง จะมีน้ำหนักมากขึ้น ไม่ได้หมายความว่าทุกตำแหน่งต้องมี Portfolio แต่หลักคิดคือ อย่าประเมินเฉพาะสิ่งที่ Candidate บอกว่าเขาทำ ให้หาวิธีดูร่องรอยของสิ่งที่เขาเคยทำจริง และถ้างานนั้นเปิดเผยไม่ได้เพราะ Confidentiality คนที่เคยทำจริงมักยังสามารถอธิบาย Constraint Trade-off Failure และบทเรียน ได้อย่างมีรายละเอียด ตรงนี้เป็นสิ่งที่การ Generate คำตอบทั่วไปเลียนแบบได้ยากกว่า

“ความผิดพลาด” อาจบอก Talent ได้มากกว่า Achievement

Resume เต็มไปด้วยความสำเร็จ เพิ่มยอด 30% ลด Cost 20% บริหารทีม 15 คน ส่ง Project ตรงเวลา แต่ชีวิตการทำงานจริงไม่มีใครชนะตลอด ผมคิดว่าการถามเรื่อง “งานที่คุณเคยทำพลาดจริง ๆ” กำลังมีคุณค่ามากขึ้น ไม่ใช่คำถามสำเร็จรูปแบบ “จุดอ่อนของคุณคืออะไร?” แต่ถามถึงสถานการณ์จริง ตัดสินใจอะไร? ตอนนั้นคิดอะไร? สัญญาณอะไรที่มองไม่เห็น? ผลกระทบคืออะไร? แก้สถานการณ์อย่างไร? แล้วหลังจากนั้นเปลี่ยนวิธีทำงานอะไร? คำตอบแบบนี้ช่วยให้เห็นทั้ง Self-awareness Learning Agility Accountability และ Judgment ซึ่ง Resume สวย ๆ บอกเราแทบไม่ได้เลย

แต่การเปลี่ยน Recruitment ก็มี “ข้อเสีย” และต้นทุนของมันเอง

ตรงนี้ต้องพูดให้ครบ ถ้าบริษัทลดน้ำหนัก Resume แล้วหันไปใช้ Assessment, Case และ Work Sample มากขึ้น คุณภาพข้อมูลอาจดีขึ้น แต่ Cost per Hire ก็เพิ่มขึ้น Candidate ใช้เวลามากขึ้น Manager ต้องเข้ามามีส่วนร่วมมากขึ้น การออก Assessment ที่ดีต้องใช้ความรู้ และถ้าออกข้อสอบไม่ดี เราก็อาจวัดสิ่งผิดเหมือนเดิม เช่นให้ Candidate ทำ Case ใหญ่ 5 ชั่วโมง สุดท้ายกลับเลือกคนจาก Presentation สวยที่สุด เราก็เพียงย้าย Bias จาก Resume ไปอยู่ที่ Assessment ดังนั้น Assessment ต้องถูกออกแบบให้สัมพันธ์กับ Success Profile ของงานจริง ไม่ใช่ทำให้ยากเพื่อดู Professional

อีกความเสี่ยงคือบริษัทอาจสร้างกระบวนการคัดเลือกที่ “เหนื่อยเกินไป”

เพื่อหาคนเก่งจริง หลายบริษัทอาจเริ่มเพิ่ม Screening AI Test Personality Test Case Study Presentation Panel Interview Reference Check จน Candidate ต้องผ่าน 7–8 ขั้นตอน ในตลาด Talent ที่ดีจริง Candidate ก็มีทางเลือก บริษัทอาจกำลังเพิ่มความแม่นยำในการคัดเลือก แต่ในขณะเดียวกันก็ทำให้คนเก่งถอนตัวก่อน นี่คือ Trade-off ระหว่าง Selection Quality กับ Candidate Experience Recruitment ที่ดีจึงไม่ใช่การเก็บข้อมูลเกี่ยวกับ Candidate ให้มากที่สุด แต่คือการเก็บ ข้อมูลที่มีความหมายที่สุดด้วยขั้นตอนที่จำเป็นจริง

AI ยังทำให้ “คนธรรมดาที่เก่งจริง” มีโอกาสมากขึ้น

ผมคิดว่านี่เป็นข้อดีที่ควรพูดถึง เมื่อก่อนบางคนถูกตัดตั้งแต่ Resume เพราะมหาวิทยาลัยไม่ดัง ทำงานบริษัทเล็ก ภาษาไม่สวย ไม่รู้จักเขียน Achievement หรือ Career Path ไม่เป็นเส้นตรง AI สามารถช่วยจัดโครงสร้างประสบการณ์ของเขาให้ Recruiter เข้าใจได้ดีขึ้น นั่นอาจทำให้บริษัทค้นพบ Talent ที่เมื่อก่อนถูกมองข้าม ดังนั้น AI ไม่ได้เพียงสร้าง Noise มันสามารถลด Bias จาก Writing Skill และ Presentation Skill ได้บางส่วนเช่นกัน สิ่งที่องค์กรต้องทำคือเปลี่ยน Measurement ให้ไปจับ Capability ที่งานต้องการจริง ให้มากขึ้น

Recruiter เองก็ต้องเปลี่ยนบทบาท

ถ้าในอดีต Recruiter ใช้เวลามากกับ เปิด Resume ค้น Keyword เช็กประสบการณ์ โทร Screening AI สามารถช่วยงานเหล่านี้ได้มากขึ้น แต่สิ่งที่ Recruiter ต้องเก่งขึ้นคือ การเข้าใจ Business เข้าใจ Role รู้ว่า Hiring Manager ต้องการอะไรจริง แยก Must-have ออกจาก Nice-to-have ออกแบบ Assessment อ่าน Pattern ของ Candidate และ Challenge Hiring Manager เมื่อ Requirement ไม่สมเหตุสมผล กล่าวอีกแบบคือ AI ทำให้ Resume Screening ง่ายขึ้น แต่ทำให้ Talent Judgment สำคัญขึ้น

Hiring Manager ก็ไม่ควรโยนการหาคนให้ Recruiter อย่างเดียว

นี่เป็นเรื่องสำคัญมาก ถ้าตำแหน่งหนึ่งสำคัญกับธุรกิจ Manager ต้องสามารถตอบได้ว่า “คนที่เก่งใน Role นี้ หน้าตาเป็นอย่างไร?” ไม่ใช่แค่ อายุ 30–35 ประสบการณ์ 5 ปี จบปริญญาตรี ใช้ Excel ได้ แต่ต้องรู้ว่า 12 เดือนแรกต้องสร้าง Outcome อะไร ต้องแก้ปัญหาแบบไหน ต้องตัดสินใจเรื่องอะไร ต้องทำงานกับใคร และอะไรคือ Capability ที่แยก Average Performer ออกจาก Top Performer เมื่อ Definition ตรงนี้ชัด Assessment จะชัด และ Resume จะไม่ต้องแบกรับหน้าที่ในการทำนาย Performance มากเกินไป

ผมคิดว่า Resume จะไม่หาย แต่ “อำนาจของ Resume” จะลดลง

สุดท้ายผมยังเชื่อว่า Resume จะอยู่ต่อ เพราะมันสะดวก อ่านเร็ว ทำให้เห็น Career History และยังเป็นจุดเริ่มต้นที่ดีของ Conversation แต่เราอาจต้องหยุดคิดว่า Resume สวย = Candidate เก่ง หรือ Resume ธรรมดา = Candidate ธรรมดา AI กำลังทำให้ Packaging ของ Candidate ถูกทำให้มาตรฐานใกล้กันมากขึ้น สิ่งที่องค์กรต้องพัฒนาใหม่จึงไม่ใช่ระบบตรวจว่า “Resume นี้ AI เขียนหรือเปล่า?” แต่คือระบบที่ตอบได้ว่า “คนหลัง Resume นี้ มี Capability จริงแค่ไหน?”

Recruitment ในยุค AI จึงอาจต้องเปลี่ยนจาก Resume-Based ไปสู่ Evidence-Based Hiring

ภาพที่ผมคิดว่าจะเห็นมากขึ้นคือ Resume → Hypothesis Resume ทำให้เราตั้งสมมติฐานเกี่ยวกับ Candidate Interview → Verification ถามลึกเพื่อดูว่าประสบการณ์นั้นเกิดขึ้นจริงอย่างไร Work Sample → Evidence ดูว่า Candidate สามารถทำงานใกล้เคียงของจริงได้หรือไม่ Reference / Track Record → Context ช่วยยืนยัน Pattern ในอดีต และสุดท้าย Human Judgment → Decision ไม่มีตัวใดตัวหนึ่งควรตัดสิน Candidate ทั้งหมด รวมถึง AI ด้วย

คำถามที่ผมอยากทิ้งไว้สำหรับองค์กรที่กำลังรับคนในวันนี้คือ

ถ้าพรุ่งนี้ Candidate ทุกคนสามารถมี Resume ระดับ Professional ได้เหมือนกันหมด ระบบ Recruitment ของคุณยังแยก “คนที่นำเสนอตัวเองเก่ง” ออกจาก “คนที่ทำงานเก่งจริง” ได้หรือไม่? ถ้ายังต้องพึ่ง Resume และคำตอบ Interview สำเร็จรูปเป็นหลัก ปัญหาอาจไม่ได้อยู่ที่ Candidate ใช้ AI เก่งเกินไป แต่อาจอยู่ที่ เครื่องมือที่เราใช้คัดคน ถูกออกแบบมาสำหรับโลกก่อนที่ทุกคนจะมี AI อยู่ข้างตัว และบางทีอนาคตของ Recruitment อาจไม่ได้อยู่ที่การหาวิธีตรวจจับ AI แต่อยู่ที่การกลับไปถามคำถามพื้นฐานที่สุดว่า “งานนี้ต้องการความสามารถอะไรจริง ๆ และเราจะพิสูจน์ความสามารถนั้นอย่างยุติธรรมได้อย่างไร?”

Tags: FutureOfRecruitment, ResumeInAIAge, EvidenceBasedHiring, SkillsBasedHiring, TalentAssessment, WorkSampleTest, HiringStrategy, RecruitmentTransformation, AIRecruitment, TalentAcquisition, HiringDecision, CandidateAssessment, FutureOfWork, HumanJudgment, AIFutureOfHiring