ลงทุน AI แล้ว ลดคนแล้ว แต่ทำไมผลลัพธ์ยังไม่ดีขึ้น? ระวัง “AI Cost-Cutting Trap” เมื่อองค์กรลดต้นทุนเร็วกว่าการสร้างความสามารถใหม่

ช่วงนี้ผมเห็น Pattern หนึ่งเกิดขึ้นในหลายองค์กรมากขึ้นเรื่อย ๆ คือเริ่มต้นจากความเชื่อที่ค่อนข้างตรงไปตรงมาว่า เมื่อ AI ทำงานได้เร็วขึ้น คนหนึ่งคนก็น่าจะทำงานได้มากขึ้น ดังนั้นถ้าองค์กรลงทุน AI มากขึ้น ก็ควรจะสามารถลดจำนวนคนลงบางส่วนและรักษา Output เดิมเอาไว้ได้ หรือถ้ามองในมุมที่ดีขึ้นกว่านั้น ก็น่าจะได้ทั้ง Cost ที่ลดลงและ Productivity ที่สูงขึ้นพร้อมกัน ใน Excel แนวคิดนี้ดูสมเหตุสมผลมาก สมมติทีมหนึ่งมีพนักงาน 100 คน ถ้า AI ช่วยให้ Productivity เพิ่มขึ้น 20–30% ก็ดูเหมือนว่าองค์กรอาจไม่จำเป็นต้องใช้คนเท่าเดิมอีกต่อไป บางแห่งจึงเริ่มชะลอการรับคนใหม่ ไม่ทดแทนตำแหน่งที่ลาออก หรือปรับโครงสร้างเพื่อลด Headcount พร้อมกับซื้อ AI License ให้ทีมที่เหลือใช้มากขึ้น แต่หลังจากผ่านไปสักระยะ สิ่งที่ผู้บริหารบางแห่งพบกลับไม่ตรงกับ Business Case ที่เคยคำนวณไว้ คนลดลงจริง ค่าใช้จ่ายบางส่วนลดลงจริง และพนักงานที่เหลือก็ใช้ AI จริง แต่การทำงานไม่ได้ดีขึ้นในระดับที่คาดไว้ บางทีมกลับรู้สึกยุ่งกว่าเดิม Manager ต้องตามงานมากขึ้น คนที่เก่งที่สุดรับงานมากขึ้น Decision ยังช้าเหมือนเดิม ลูกค้ายังไม่ได้รู้สึกถึงความเปลี่ยนแปลง และสุดท้ายคำถามใหม่ก็เกิดขึ้นว่า “ตกลง AI ไม่ได้ช่วยอย่างที่คิด หรือคนของเรายังใช้ AI ไม่เก่งพอ?” ผมคิดว่าคำตอบอาจไม่ใช่อย่างใดอย่างหนึ่ง เพราะหลายครั้งปัญหาไม่ได้อยู่ที่ AI และไม่ได้อยู่ที่พนักงานเพียงฝ่ายเดียว แต่องค์กรกำลังติดอยู่ในกับดักที่สำคัญกว่า นั่นคือ ลดคนก่อนออกแบบงานใหม่ และคาดหวังให้ AI เข้าไปอุดช่องว่างของ Operating Model เดิม นี่คือสิ่งที่ผมเรียกว่า AI Cost-Cutting Trap

AI ไม่ได้สร้าง Productivity ให้อัตโนมัติ มันเพียงเพิ่ม “ศักยภาพ” ในการทำงานให้เร็วขึ้น

เวลาบริษัทซื้อ AI มาใช้ สิ่งที่ Technology ให้กับเราคือ Potential Capacity พนักงานสามารถเขียนเร็วขึ้น วิเคราะห์เร็วขึ้น ค้นข้อมูลเร็วขึ้น หรือทำงาน Routine บางอย่างได้โดยใช้เวลาน้อยลง แต่ Potential Capacity ยังไม่ใช่ Business Value จนกว่าองค์กรจะรู้ว่าจะเอาความสามารถที่เพิ่มขึ้นนั้นไปใช้กับอะไร สมมติพนักงานคนหนึ่งใช้เวลาทำ Report จากเดิมสามชั่วโมงเหลือหนึ่งชั่วโมง นั่นหมายความว่าเราได้ Capacity กลับมาสองชั่วโมง แต่คำถามสำคัญคือสองชั่วโมงนั้นเกิดอะไรขึ้นต่อ ถ้าเขาใช้เวลาไปดูแลลูกค้ามากขึ้น วิเคราะห์ปัญหาที่สำคัญขึ้น หรือรองรับ Volume ที่เพิ่มโดยไม่ต้องจ้างเพิ่ม นั่นคือ Productivity ที่เริ่มแปลงเป็น Value แต่ถ้าสองชั่วโมงที่ประหยัดได้ถูกเติมกลับด้วย Meeting เพิ่ม งานเอกสารใหม่ หรือ Request อีกหลายอย่าง Productivity ที่ได้จาก AI ก็อาจหายไปในความซับซ้อนขององค์กรเอง ดังนั้นปัญหาไม่ได้อยู่ที่ AI ช่วยประหยัดเวลาได้หรือไม่ แต่อยู่ที่องค์กรมี Value Capture Mechanism หรือยัง ถ้าไม่มี สิ่งที่บริษัทเห็นอาจมีเพียงพนักงานบอกว่า “AI ช่วยได้เยอะครับ” แต่ P&L, Revenue, Cycle Time หรือ Customer Experience แทบไม่ขยับ

กับดักที่อันตรายคือ “ลดคนก่อน แล้วค่อยคิดว่าจะออกแบบงานอย่างไร”

นี่เป็นลำดับที่ผมคิดว่าต้องระวังที่สุด องค์กรบางแห่งเริ่มจากโจทย์ว่า “ถ้า AI ทำงานแทนได้ 30% เราน่าจะลด Headcount ได้ 20%” แล้วเริ่มปรับโครงสร้างทันที แต่ไม่ได้ย้อนกลับไปดูว่างานของคน 100 คนเดิมประกอบด้วย Task อะไรบ้าง Task ไหน AI ทำได้ Task ไหน AI เพียงช่วย Task ไหนต้องใช้ Human Judgment และ Task ไหนที่จริง ๆ ไม่ควรถูกทำตั้งแต่แรก เมื่อคนถูกลดออก งานไม่ได้หายตามคนทั้งหมด งานจำนวนหนึ่งเพียงถูกกระจายกลับไปให้คนที่เหลือ ตอนแรกอาจรู้สึกว่าทีม Lean ขึ้น แต่ผ่านไปสักพัก Manager เริ่มรับงาน Operational เพิ่ม Senior ต้องกลับมาทำงานระดับล่าง พนักงานที่ใช้ AI เก่งที่สุดกลายเป็นคนที่ถูกโยนงานให้มากที่สุด และองค์กรเริ่มเกิด Key Person Risk รูปแบบใหม่ ตรงนี้ทำให้ Productivity Gain ที่ควรเกิดจาก AI ถูกกินกลับด้วย Workload ที่ไม่ถูก Redesign นี่จึงเป็นเหตุผลว่าทำไม Work Redesign ควรเกิดก่อน Headcount Decision ไม่ใช่กลับกัน องค์กรควรเริ่มจากถามก่อนว่า เมื่อมี AI แล้ว Process นี้ควรหน้าตาอย่างไร มีขั้นตอนไหนควรถูกตัดออก มี Decision ไหนควรเกิดเร็วขึ้น Role ไหนควรเปลี่ยน และ Capability อะไรที่คนต้องมีเพิ่มขึ้น เมื่อคำตอบเหล่านี้ชัด เราจึงค่อยเห็นว่า Workforce ที่เหมาะสมจริง ๆ ควรมีขนาดและโครงสร้างแบบไหน

“พนักงานใช้ AI ได้” กับ “พนักงานใช้ AI ให้เกิด Business Value” เป็นคนละเรื่อง

อีกเหตุผลที่หลายบริษัทลงทุน AI แล้ว ROI ยังไม่มา คือเราอาจวัด AI Literacy ง่ายเกินไป พนักงานอาจเปิด Chatbot เป็น เขียน Prompt เป็น ให้ช่วยสรุปเอกสารได้ และใช้ AI ทำ Presentation ได้ แต่สิ่งเหล่านี้ยังไม่ได้แปลว่าเขาสามารถใช้ AI เพื่อเปลี่ยนวิธีทำงานของ Role ตัวเองได้ AI Fluency ระดับแรกคือรู้ว่า Tool ใช้อย่างไร แต่ AI Fluency ที่องค์กรต้องการจริง ๆ ต้องไปไกลกว่านั้น คือคนต้องรู้ว่า งานไหนควรให้ AI ทำ งานไหนควรให้ AI ช่วย และงานไหนไม่ควรยก Judgment ให้ AI ยิ่งไปกว่านั้น คนต้องรู้ว่าจะตรวจ Output อย่างไร รู้ว่า Data แบบไหนส่งเข้า AI ได้ รู้ว่า AI ตอบจากข้อมูลอะไร และรู้ว่าเมื่อไรต้อง Challenge คำตอบแทนที่จะเชื่อ ดังนั้นการสอน Prompt อย่างเดียวอาจไม่พอ สิ่งที่องค์กรต้องพัฒนาคือ AI + Business Judgment เพราะคนที่ใช้ AI ได้เก่งที่สุดไม่ได้จำเป็นต้องเป็นคนที่พิมพ์ Prompt ซับซ้อนที่สุด แต่เป็นคนที่รู้ว่าปัญหาธุรกิจคืออะไร รู้ว่าข้อมูลชุดไหนเกี่ยวข้อง และรู้ว่าควรใช้ AI ตรงไหนเพื่อสร้าง Outcome ที่ดีขึ้นจริง

AI มักขยาย “ระบบเดิม” ก่อนที่จะเปลี่ยนระบบ

นี่เป็นอีกเรื่องที่ผมคิดว่าสำคัญมาก ถ้า Process เดิมมีปัญหา AI ไม่ได้แก้ปัญหานั้นให้อัตโนมัติ บางครั้งมันเพียงทำให้ Process ที่มีปัญหาวิ่งเร็วขึ้น ถ้าองค์กรมี Approval 7 ขั้น แล้วใช้ AI ทำเอกสารเร็วขึ้น เอกสารก็จะไปติด Approval เหมือนเดิม ถ้าข้อมูลอยู่ห้าระบบและ Definition ไม่ตรงกัน AI ก็จะสรุปความไม่ตรงกันให้เร็วขึ้น ถ้า Priority ไม่ชัด AI สามารถช่วยทำ Task ได้เร็วมาก แต่พนักงานก็ยังไม่รู้ว่าควรทำ Task ไหนก่อน นี่คือสิ่งที่ผมมองว่าเป็น AI Layer on Top of Old Operating Model ด้านบนดูทันสมัยมาก แต่ระบบข้างล่างยังเหมือนเดิม และเมื่อองค์กรลดคนโดยหวังว่า AI จะรับภาระส่วนหนึ่ง หากระบบเดิมยังไม่มี Owner, Decision Rights, Source of Truth และ Priority ที่ชัด คนที่เหลืออยู่จะต้องใช้ AI ไปพร้อมกับการแก้ความยุ่งของระบบเดิม สุดท้ายพนักงานอาจไม่ได้ทำงานง่ายขึ้น แค่ “รับผิดชอบงานมากขึ้นโดยมี AI ช่วย” สองอย่างนี้ไม่เหมือนกัน

บางบริษัทไม่ได้ขาด AI Skill แต่ขาด Manager ที่รู้ว่าจะออกแบบงานใหม่อย่างไร

เวลาพูดว่า “คนของเรายังใช้ AI ไม่เป็น” ผมคิดว่าต้องระวังไม่ให้โยนความรับผิดชอบลงไปที่พนักงานระดับปฏิบัติการทั้งหมด เพราะคนที่ต้องเปลี่ยนวิธีคิดมากที่สุดในหลายกรณีคือ Manager Manager ยุคเดิมอาจเก่งเรื่องแบ่งงาน ติดตามงาน ตรวจงาน และคุมคุณภาพ แต่เมื่อ AI เข้ามาทำ Task บางประเภทได้ Manager ต้องเริ่มตอบคำถามใหม่ว่า งานอะไรยังควรอยู่กับคน งานอะไรควรถูก Automate งานอะไรควรถูก Combine และ Performance ของ Role ใหม่ควรถูกวัดอย่างไร ถ้า Manager ยังบริหารด้วย Job Description แบบเดิม แต่เพียงบอกลูกทีมว่า “ต่อไปใช้ AI ช่วยด้วย” สิ่งที่เกิดขึ้นมักเป็นการเพิ่ม Tool ไม่ใช่การเพิ่ม Productivity Manager ในยุค AI จึงต้องเริ่มทำหน้าที่เหมือน Work Architect ไม่ใช่เพียง People Supervisor ต้องมอง Task Flow ทั้งหมด เห็นว่า Bottleneck อยู่ตรงไหน รู้ว่าความเร็วที่เพิ่มขึ้นควรถูกนำไปใช้สร้าง Capacity อย่างไร และรู้ว่าจะเปลี่ยน Expectation ของ Role เมื่อ AI เข้ามาช่วยแล้วอย่างไร นี่คือ Capability ที่องค์กรจำนวนมากยังลงทุนพัฒนาน้อยกว่าการซื้อ AI License มาก

อีกกับดักหนึ่งคือ ลด Junior มากเกินไป แล้วเหลือแต่คนแพงทำงานกับ AI

ตอนแรกสูตรนี้ดูมีเหตุผลมาก เพราะถ้า AI ทำงาน Routine ได้ เราก็อาจคิดว่าไม่ต้องมีพนักงานระดับต้นมากเท่าเดิม เหลือ Senior จำนวนน้อยลงและให้ Senior ใช้ AI ทำงานแทนทีมใหญ่ได้ ระยะสั้นอาจดูมีประสิทธิภาพ แต่ถ้าใช้สูตรนี้มากเกินไป องค์กรจะเริ่มเจอปัญหาสองชั้นพร้อมกัน ชั้นแรกคือ Senior ต้องรับทั้งงานซับซ้อนและงาน Operational บางส่วน เพราะ AI ไม่ได้ทำได้ทุกอย่าง ชั้นที่สองคือ Talent Pipeline ขององค์กรเริ่มหาย เพราะไม่มีคนรุ่นใหม่เข้ามาเรียนรู้และเติบโต สุดท้ายองค์กรอาจประหยัด Cost ในวันนี้ แต่ซื้อ Talent จากตลาดแพงขึ้นในอีกสามถึงห้าปีข้างหน้า ดังนั้น AI Workforce Strategy ต้องดูมากกว่า Headcount Reduction ต้องดู Workforce Shape ด้วยว่าในแต่ละ Grade หรือ Career Stage ควรมีคนเท่าไร และองค์กรยังมี Pipeline สำหรับ Specialist, Manager และ Leader ในอนาคตหรือไม่ AI ควรเปลี่ยนเนื้อหาของ Entry-Level Work ไม่จำเป็นต้องลบ Entry-Level ออกจากระบบทั้งหมด

ROI จะไม่เกิด ถ้าบริษัทวัดเพียงว่า “มีคนใช้ AI กี่คน”

AI Adoption กับ AI Value ต้องถูกแยกออกจากกัน มี Active User 2,000 คนไม่ได้แปลว่า Business Value สูง มี Prompt เดือนละหนึ่งล้านครั้งก็ไม่ได้บอกอะไรเกี่ยวกับ Margin และการที่พนักงานบอกว่า “ช่วยประหยัดเวลา” ก็ยังไม่ใช่หลักฐานว่า ROI เกิดจริง ถ้า AI ถูกใช้ใน Sales ควรเห็นผลกับ Sales Cycle, Conversion หรือ Revenue per Sales ถ้าใช้ใน Operation ควรเห็นผลกับ Throughput, Error Rate หรือ Cost per Transaction ถ้าใช้กับ Customer Service ควรเห็นผลกับ Resolution Time, Customer Satisfaction หรือ Cost per Case AI KPI ต้องไปจบที่ Business KPI ไม่ควรจบที่ Usage ตรงนี้สำคัญมาก เพราะถ้าองค์กรตั้งเป้าหมายผิด คนก็จะ optimize สิ่งที่ผิด ผู้บริหารอาจเห็น Dashboard ว่าคนใช้ AI เพิ่มขึ้น 80% แล้วคิดว่า Transformation กำลังไปได้ดี ทั้งที่ Bottom Line แทบไม่เปลี่ยน

แล้วควรเริ่มใหม่อย่างไร ถ้ารู้สึกว่าลงทุน AI ไปแล้วแต่ยังไม่คุ้ม?

ผมคิดว่าไม่จำเป็นต้องเริ่มจากซื้อ Tool เพิ่ม และไม่จำเป็นต้องรีบลดคนเพิ่มด้วย จุดเริ่มต้นที่ดีกว่าคือกลับมาที่ Business Problem ก่อน ดูว่า Strategy ขององค์กรต้องการอะไร แล้วถามว่า Process ไหนกำลังเป็น Bottleneck จริง จุดไหนใช้ Cost สูง จุดไหนช้า จุดไหนมี Error มาก และตรงไหนที่คนเก่งกำลังเสียเวลาอยู่กับงานที่ไม่สร้าง Value จากนั้นจึงแยกงานออกมาในระดับ Task ไม่ใช่มองเพียง Job Title ใน Role หนึ่งอาจมีทั้ง Task ที่ควร Automate, Task ที่ AI ช่วยได้ และ Task ที่ยังต้องใช้ Human Judgment สูง เมื่อมองระดับนี้ เราจะเห็นว่า AI ไม่ได้มา “แทนตำแหน่ง” แบบตรง ๆ แต่มาเปลี่ยนสัดส่วนของงานภายในตำแหน่ง หลังจากนั้นจึงออกแบบ Role ใหม่ ให้คนใช้เวลามากขึ้นกับงานที่มี Value สูงขึ้น และค่อยดูว่า Workforce Capacity ที่ต้องการจริง ๆ ลดลง เพิ่มขึ้น หรือเพียงเปลี่ยน Skill Mix นี่คือจุดที่ Headcount Planning ควรเกิด ไม่ใช่เริ่มต้นตั้งแต่ต้น

และต้องมีช่วงหนึ่งที่องค์กร “หยุดเพิ่ม AI” เพื่อจัดระเบียบสิ่งที่มีอยู่แล้ว

บางบริษัทมี AI Tool เยอะเกินไปจนกลายเป็นปัญหาอีกแบบ แต่ละทีมใช้คนละตัว มี Agent หลายสิบตัว มี Workflow ซ้ำกัน และไม่มีใครรู้ว่าตัวไหนสร้าง Value จริง ตรงนี้ควรเริ่มทำ Portfolio Review เหมือน Investment อื่น Use Case ไหนสร้าง Value จริงควร Scale Use Case ไหนยังเป็น Experiment ควรให้เวลาพิสูจน์ ส่วน Use Case ไหนไม่มี Metric ชัด ใช้น้อย หรือทำสิ่งที่ไม่สำคัญ ก็ควรถูกหยุด AI Strategy ที่ Mature ไม่ได้วัดจากจำนวน Use Case ที่เพิ่มขึ้นอย่างเดียว แต่ต้องกล้าปิด Use Case ที่ไม่ตอบโจทย์ด้วย เพราะทุก Tool ทุก Integration และทุก Agent มี Cost ทั้งเงิน Security, Data, Maintenance และ Attention ของคน

ในมุมของ ExeRoot เรื่องนี้ควรถูกมองเป็นเส้นเดียวตั้งแต่ Strategy ไปจนถึง Workforce และผลลัพธ์

ถ้ามอง AI แยกเป็น Technology Project เราจะเห็นเพียงว่า Platform ไหนดี Model ไหนเก่ง และใครใช้มากที่สุด แต่ถ้ามองในระดับ Executive Strategy จะต้องเชื่อมเป็นเส้นเดียวตั้งแต่ Strategy → Work → Role → Capability → Workforce → AI → Performance → Business Outcome Strategy ต้องบอกก่อนว่าองค์กรต้องการสร้างผลลัพธ์อะไร จากนั้นดูว่า Work ใดสำคัญ Role ไหนรับผิดชอบ Capability ไหนต้องมี AI เข้าไปช่วยตรงไหน แล้วจึงดูว่า Workforce Mix และ Headcount แบบใดเหมาะสม เมื่อข้อมูลเหล่านี้ไม่เชื่อมกัน องค์กรอาจลดคนสำเร็จ ซื้อ AI สำเร็จ และ Training สำเร็จ แต่ Business Outcome ยังไม่ขยับ เพราะแต่ละเรื่องถูกทำเป็นโครงการแยกกัน นี่เป็นเหตุผลที่ผมคิดว่าคำถามเรื่อง AI ไม่ควรถูกถามเพียงว่า “AI ตัวนี้ทำแทนคนได้กี่เปอร์เซ็นต์?” แต่ต้องถามต่อว่า “ถ้า AI ทำ Task นี้แทนแล้ว Role ใหม่ควรทำอะไรต่อ และ Value ที่เพิ่มขึ้นจะถูกส่งไปถึง Strategy และ Business Outcome อย่างไร?” เมื่อเราตอบคำถามนี้ได้ การตัดสินใจเรื่องคนก็จะเปลี่ยนจากการลด Headcount แบบเหมารวม ไปเป็นการออกแบบ Workforce ตาม Value ที่ธุรกิจต้องการจริง

กับดักของ AI จึงไม่ใช่การใช้ AI มากเกินไป แต่อาจเป็นการใช้ AI เพื่อแก้โจทย์ผิด

ถ้าบริษัทมอง AI เป็นโครงการลดต้นทุนเพียงอย่างเดียว ทุกครั้งที่ AI ช่วยงานได้มากขึ้น คำถามก็จะกลายเป็น “ลดคนได้อีกเท่าไร” แต่ถ้ามอง AI เป็นเครื่องมือเพิ่ม Organizational Capability คำถามจะเปลี่ยนไปเป็น “เมื่อคนกับ AI ทำงานร่วมกัน เราสามารถสร้าง Value อะไรที่เมื่อก่อนทำไม่ได้?” สองคำถามนี้นำไปสู่องค์กรคนละแบบ แบบแรกอาจทำให้บริษัท Lean ขึ้นเร็ว แต่มีความเสี่ยงที่จะสูญเสีย Capability, Talent Pipeline และ Innovation ไปพร้อมกัน อีกแบบอาจไม่ได้ลดคนทันทีมากที่สุด แต่สร้าง Productivity, Capacity และ Business Value ที่ยั่งยืนกว่า สุดท้าย ผมคิดว่าก่อนองค์กรจะตัดสินใจลงทุน AI เพิ่มหรือลดคนอีกครั้ง ควรถามตัวเองให้ชัดว่า “วันนี้เรากำลังใช้ AI เพื่อทำให้งานเดิมเร็วขึ้น หรือเราได้ออกแบบวิธีทำงานใหม่แล้วจริง ๆ?” ถ้ายังเป็นอย่างแรก การลดคนเพิ่มอาจไม่ได้ทำให้ ROI ดีขึ้น มันอาจเพียงทำให้งานเดิมตกไปอยู่กับคนที่เหลือมากขึ้น และนั่นคือจุดที่ AI ซึ่งควรเป็นเครื่องมือสร้าง Productivity สามารถกลายเป็น กับดักด้าน Capacity, Capability และ Workforce ได้อย่างเงียบ ๆ AI ที่คุ้มจึงไม่ได้เริ่มจากการซื้อ Tool ที่เก่งที่สุด และไม่ได้เริ่มจากการลด Headcount ให้เร็วที่สุด มันเริ่มจากการเข้าใจว่า งานอะไรควรหาย งานอะไรควรเปลี่ยน คนควรเก่งขึ้นเรื่องอะไร และ Business Value ที่เราต้องการจริง ๆ คืออะไร เมื่อสี่เรื่องนี้ชัด AI จึงค่อยมีโอกาสเปลี่ยนจาก “ค่าใช้จ่ายด้าน Technology” ไปเป็น “ความสามารถใหม่ขององค์กร” ได้จริง

Tags: AICostCuttingTrap, AIROI, AIProductivity, WorkRedesign, ValueCapture, BusinessValue, AIFluency, HumanJudgment, ManagerCapability, WorkforcePlanning, WorkforceShape, TalentPipeline, OperatingModel, ExeRoot, SpaceRoot