ทำไมผู้สมัคร AI ที่พูดคล่องอาจไม่ใช่คนที่เหมาะกับการทำงานจริง

Lead paragraph ความต้องการบุคลากรที่มีความชำนาญด้าน AI เพิ่มขึ้นเกือบเจ็ดเท่าภายในสองปี ตามข้อมูลของ McKinsey Global Institute ทำให้หลายองค์กรเร่งเปิดรับสมัครตำแหน่ง AI อย่างต่อเนื่อง แต่กระบวนการคัดเลือกยังขาดวิธีประเมินที่แตกต่างจากการทดสอบความรู้เชิงทฤษฎี เพียงอย่างเดียว ส่งผลให้ผู้สมัครที่ดู “คล่อง” ในการพูดอาจไม่ใช่คนที่สามารถทำงาน AI ได้จริง

Overview

แม้จะมี **90 % ของบริษัททั่วโลกลงทุนในโครงการ AI ตามรายงานของ McKinsey แต่เพียงน้อยกว่า 40 % เท่านั้นที่บรรลุผลตอบแทนที่วัดได้ การทบทวนความสำเร็จส่วนใหญ่มักเน้นไปที่โมเดล ข้อมูล และกระแสการทำงาน (workflow) มากกว่าการประเมินบุคลากรที่เป็นหัวใจของการเปลี่ยนแปลงเหล่านี้

ในหลายกรณีผู้จัดการฝ่ายเทคโนโลยียังไม่มีคำจำกัดความชัดเจนว่า “ความเชี่ยวชาญด้าน AI” ควรมีลักษณะอย่างไร การขาดมาตรฐานนี้ทำให้การสรรหาและคัดเลือกมักพึ่งพาเพียงความประทับใจจากการสนทนาแบบสั้น ๆ แทนที่จะตรวจสอบทักษะจริง

ผลที่ตามมาคือ ความแตกต่างระหว่างผู้สมัครที่สามารถอธิบายแนวคิดได้คล่องแคล่ว กับผู้ที่มีประสบการณ์ทำงานกับ AI อย่างลึกซึ้งกลายเป็นช่องว่างสำคัญ ที่องค์กรหลายแห่งยังไม่ตระหนัก

Demand & Reality

ข้อมูลของ McKinsey Global Institute ระบุว่าความต้องการทักษะ AI เติบโตเร็วกว่าอุตสาหกรรมอื่น ๆ ทุกประเภทราว 7‑เท่าในช่วงสองปีที่ผ่านมา ความสนใจนี้สะท้อนให้เห็นในบทสัมภาษณ์ผู้บริหารเทคโนโลยีหลายคนที่บอกว่าตำแหน่งเปิดรับส่วนใหญ่ต้องการ “AI fluency”

อย่างไรก็ตาม จำนวนบริษัทที่รายงานผลลัพธ์เชิงปริมาณจากการลงทุน AI ยังต่ำมาก การขาดมาตรฐานวัดผลทำให้ผู้บริหารมักประเมินความสำเร็จโดยอิงจากเกณฑ์คุณภาพโมเดลหรือจำนวนข้อมูลที่ใช้ มากกว่าการตรวจสอบว่าทีมงานสามารถนำ AI ไปใช้งานได้จริงหรือไม่

การศึกษาเพิ่มเติมชี้ให้เห็นว่า ความเข้าใจในเชิงทฤษฎีของผู้สมัครไม่ได้แปลว่าพวกเขาสามารถจัดการกับ “messy data” หรือแก้ไขข้อผิดพลาดของโมเดลที่อาจเกิดขึ้นในสภาพแวดล้อมจริงได้

Risks of Misplaced Confidence

เมื่อ AI มีบทบาทสำคัญมากขึ้น การพูดถึงเทคโนโลยีต่าง ๆ กลายเป็นเรื่องง่าย ผู้สมัครมักจะเริ่มต้นด้วยการระบุชื่อโมเดลหรือสถาปัตยกรรมที่เพิ่งอ่านในสัปดาห์ที่ผ่านมา ทำให้ผู้สัมภาษณ์อาจสับสนระหว่าง fluency ของภาษาและ fluency ในการปฏิบัติจริง

ผลของการเลือกคนที่ “พูดคล่อง” แต่ไม่มีประสบการณ์ทำงานกับ AI อย่างแท้จริง ได้แก่

• การจัดการข้อมูลที่ซับซ้อนหรือขาดคุณภาพอาจทำให้โมเดลทำงานผิดพลาด (hallucination) ในช่วงเวลาที่สำคัญที่สุด
• ระบบต่าง ๆ ที่ไม่สามารถสื่อสารกันได้ ส่งผลให้กระบวนการทำงานชะงักและต้องใช้เวลาแก้ไขเพิ่มขึ้น

แม้ว่าผู้สมัครอาจสร้างสาธิต (demo) ที่ดูน่าสนใจในระหว่างสัมภาษณ์ แต่เมื่อย้ายไปสู่ขั้นตอนผลิตจริง ความท้าทายที่แท้จริงมักเปิดเผยว่าพวกเขาไม่มีความชำนาญเพียงพอ

Hiring Process Challenges

การคัดเลือกผู้เชี่ยวชาญ AI ปัจจุบันส่วนใหญ่ยังใช้วิธีการวัดจากคำตอบในระดับพื้นฐาน เช่น “คุณเคยใช้เครื่องมืออะไรบ้าง” หรือ “คุณรู้จักโมเดล X หรือไม่” ซึ่งไม่ได้ตรวจสอบว่าผู้สมัครสามารถ apply ความรู้เหล่านั้นในงานจริงได้อย่างไร

หลายองค์กรยังไม่มีคํานิยามที่ชัดเจนเกี่ยวกับมาตรฐานการทำงานของ AI ทำให้ผู้สัมภาษณ์แต่ละคนอาจประเมินด้วยเกณฑ์ที่แตกต่างกันไป เช่น บางคนเน้นที่ความสามารถด้านเทคนิคบางส่วน ขณะที่คนอื่นอาจพิจารณาเพียงประสบการณ์โดยรวม

ผลลัพธ์คือ การสรรหาและคัดเลือกมักทำให้ได้ผู้สมัครที่ดูดีบนกระดาษ แต่เมื่อเข้าสู่ขั้นตอนการดำเนินงานจริง กลับพบว่าโครงการต้องหยุดชะงักหรือจำเป็นต้องเปิดตำแหน่งใหม่อีกครั้ง ส่งผลให้ต้นทุนเพิ่มขึ้นอย่างไม่คาดคิด

Recommendations for Better AI Hiring

เพื่อแก้ไขช่องว่างระหว่าง AI fluency ทางทฤษฎีกับการใช้งานจริง ผู้จัดการฝ่ายทรัพยากรบุคคลและทีมเทคนิคควรปรับกระบวนการสัมภาษณ์ให้มุ่งเน้นที่การตรวจสอบความสามารถทำงานของผู้สมัครโดยตรง

• ทดสอบงานก่อนการสนทนา
• ให้สถานการณ์จำลองที่สอดคล้องกับหน้าที่จริงและประเมินตามชุดคุณสมบัติที่กำหนดล่วงหน้า
• เปลี่ยนคำถามสัมภาษณ์
• ถามถึงกรณีที่ AI ให้ผลลัพธ์ผิดพลาดและวิธีการแก้ไข แทนที่จะถามว่าใช้เครื่องมืออะไรบ้าง
• ปรับสคริปต์การประเมิน
• ให้งานจริงแล้วเปลี่ยนเงื่อนไขกลางกระบวนการ เช่น ยกเลิกเครื่องมือบางอย่างหรือเพิ่มข้อจำกัดใหม่ เพื่อดูว่าผู้สมัครสามารถปรับตัวได้เร็วแค่ไหน
• ให้คะแนนร่วมกัน
• กำหนดมิติคะแนนเดียวกันสำหรับทุกผู้สัมภาษณ์และทำการสรุปผลในช่วง debrief ร่วมกัน

วิธีเหล่านี้ช่วยเปิดเผยช่องว่างของความเชี่ยวชาญอย่างเป็นระบบ ทำให้ทีมสามารถตัดสินใจโดยอิงหลักฐานจริง ไม่ใช่แค่การพูดคุยที่ดูดีบนกระดาน

Impact on Business

เมื่อองค์กรเปลี่ยนจากการประเมินตาม “คำตอบคล่อง” ไปสู่การตรวจสอบ AI fluency ที่เป็นการทำงานจริง จะเห็นผลลัพธ์หลายด้าน ได้แก่ ลดความเสี่ยงของโมเดลที่ผิดพลาดในขั้นตอนผลิต เพิ่มความเร็วในการส่งมอบโครงการ และลดค่าใช้จ่ายในการแก้ไขข้อบกพร่องหลังจากเปิดใช้งาน

นอกจากนี้ การกำหนดมาตรฐานร่วมกันทำให้ผู้จัดการและทีมงานมีภาษาเดียวกันในการพูดคุยเกี่ยวกับคุณภาพของ AI ลดความสับสนระหว่างฝ่ายต่าง ๆ และส่งเสริมวัฒนธรรมการเรียนรู้ต่อเนื่องภายในองค์กร

สุดท้าย ความสามารถในการประเมิน AI competence อย่างแม่นยำยังช่วยเพิ่มอัตราการรักษาพนักงานที่มีทักษะจริง เพราะผู้สมัครจะได้รับมอบหมายงานที่สอดคล้องกับความเชี่ยวชาญของตนตั้งแต่ขั้นตอนคัดเลือก

Summary

การจ้างงานในสาย AI จำเป็นต้องเปลี่ยนโฟกัสจากการวัดความรู้ทางทฤษฎีไปสู่การตรวจสอบความสามารถทำงานจริง การปรับกระบวนการสัมภาษณ์ตามข้อเสนอที่กล่าวมาจะช่วยลดความเสี่ยงของการลงทุน AI ที่ไม่คุ้มค่าและเพิ่มประสิทธิภาพในการนำเทคโนโลยีเข้าสู่ธุรกิจอย่างมั่นคง.