เก็บข้อมูล 4 ก.ย. 2569

รายงานหลักของบทความนี้ชื่อ Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways ของ World Economic Forum ทำโดย Centre for the New Economy and Society ตัวเล่มสร้างจากการสัมภาษณ์ผู้บริหารสายคนในองค์กรใหญ่ บวกกับข้อมูลสำรวจของ PwC และกรณีศึกษาบริษัทอย่าง Indeed, Hitachi, Dropbox และ Dentsu ¹ อีกเล่มที่ผมอ่านคู่กันคือ Hype Cycle for the Future of Work, 2026 ของ Gartner เผยแพร่ 20 กรกฎาคม 2569 ²

คำถามที่ผมถือเข้าไปมีข้อเดียว คือถ้านักศึกษาปี 4 สาย computer science ถามผมว่างานแรกในสาย software ปี 2027 หน้าตาจะเป็นยังไง ผมจะตอบเขาด้วยอะไรได้บ้างที่ไม่ใช่การเดา

คำตอบตรงๆ คือหลักฐานกองนี้บอกเรื่องปี 2027 ได้น้อยมาก ชิ้นเดียวที่ผูกกับปีนั้นจริงๆ เป็นคำทำนายเรื่องพฤติกรรมขององค์กร ไม่ใช่เรื่องจำนวนตำแหน่ง junior developer และไม่มีตัวเลขไทยอยู่ในนั้นเลยแม้แต่ตัวเดียว บทความนี้จึงไม่ใช่บทความพยากรณ์ ให้อ่านเป็นการอ่านทิศทางจากสิ่งที่องค์กรลงมือทำไปแล้วจะตรงกว่า

แต่มีอยู่ประโยคหนึ่งที่ทำให้ผมหยุดอ่านนาน มันอธิบายว่างานแรกในสาย software กำลังถูกวัดด้วยอะไร และมันเปลี่ยนคำถามในหัวผมจาก AI จะแย่งงานเด็กจบใหม่ไหม ไปเป็นเด็กจบใหม่ต้องเก่งอะไรถึงจะได้เป็นคนตัดสิน output

เกณฑ์วัดงานแรกในสาย software ย้ายจาก produce ไปเป็น direct และ interrogate แล้ว

ประโยคเดียวที่เปลี่ยนคำถามทั้งหมด

รายงานยก Indeed เป็นกรณีศึกษาเรื่องการนิยาม performance ใหม่ สิ่งที่ Indeed ทำไม่ใช่การเพิ่มหัวข้อ AI เข้าไปในฟอร์มประเมิน แต่คือการเปลี่ยนว่าอะไรนับเป็นผลงาน โดยเฉพาะในสาย software engineering พนักงานไม่ได้ถูกวัดจาก output ที่ผลิตออกมาอย่างเดียว แต่วัดว่าใช้ AI เร่งงานได้แค่ไหน พร้อมกับ validate และขัดเกลาผลลัพธ์ได้เข้มแค่ไหน ¹

ประโยคที่รายงานเขียนไว้ตรงมากคือประโยคนี้ ผมยกมาทั้งภาษาอังกฤษเพราะแปลแล้วน้ำหนักหาย

The emphasis has shifted from producing work to directing and interrogating it.

ที่เปลี่ยนไม่ใช่แค่เกณฑ์วัดผล แต่รวมถึงวิธีคัดคนเข้ามา

สิ่งที่ทำให้กรณีนี้ต่างจากบทความ future of work ทั่วไป คือมันไม่ได้หยุดที่ทักษะที่ควรมี แต่ลงไปถึงกลไกจริงสามอย่างพร้อมกัน และกลไกที่สามคือกลไกที่กระทบคนกำลังจะสมัครงานโดยตรง เพราะมันคือวิธีที่บริษัทตัดสินใจว่าจะรับใคร ¹

รายงานสรุปการเปลี่ยนของ Indeed ไว้สามด้าน

• ย้ายจาก job profile ที่ตายตัวไปเป็น skills-based architecture คือแตกงานออกเป็นทักษะ แล้วดูว่าทักษะไหน AI ช่วยได้ ทักษะไหนต้องเป็นคน
• นิยาม performance ใหม่ในสาย software engineering ให้วัดการใช้ AI เร่งงานคู่กับการ validate ผล
• ออกแบบกระบวนการ hire ใหม่ ให้ผู้สมัครถูกประเมินจากการใช้ AI tool ในสถานการณ์จริง ควบคู่กับ reasoning, collaboration และ critical thinking

เกณฑ์สองข้อแรกที่ทีมผมเปลี่ยนไปก่อนเพื่อน

ผมเล่าฝั่งตัวเองบ้าง ในทีมที่ผมดูอยู่ เกณฑ์วัด developer ปีแรกถูกแก้ไปแล้วสองข้อ ข้อแรกคือ token consumption efficient คือใช้ AI แล้วได้งานคุ้มกับที่จ่ายไปไหม ไม่ใช่ยิงคำสั่งซ้ำไปเรื่อยๆ จนกว่าจะบังเอิญได้ของที่ใช้ได้ ข้อสองคือ how to identify the hallucination from AI in code คือจับได้ไหมว่าโค้ดที่ AI คายออกมาส่วนไหนมันแต่งขึ้นมาเอง [[OWNER: token consumption efficient ที่ทีมวัดกันจริง วัดจากอะไร ดูที่บิล ดูที่จำนวนรอบ หรือดูตอน review และเริ่มใช้ตั้งแต่เมื่อไหร่]]

นี่คือสิ่งที่ผมเห็นในทีมเดียว ไม่ใช่มาตรฐานของอุตสาหกรรมไทย และไม่ใช่นโยบายขององค์กรไหน แต่พออ่านประโยคของ Indeed แล้วผมว่ามันคือเรื่องเดียวกันที่เขียนคนละภาษา ของเขาเรียกว่า directing and interrogating ของผมเรียกว่าคุมค่าใช้จ่ายกับจับของปลอมให้ได้

คำถามตอน review เมื่อก่อน	คำถามตอน review ตอนนี้
งานเสร็จกี่ชิ้น ใช้เวลาเท่าไร	ได้ของมาแบบไหน และตรวจอะไรไปบ้างก่อนส่ง
โค้ดผ่าน test ไหม	ถ้า AI เสนอมาแบบนี้ ทำไมถึงเลือกอันนี้ ไม่เลือกอีกอัน

อ่านแบบผู้บริหารองค์กร ถ้าเกณฑ์วัดผลย้ายไปที่การตรวจงาน คำถามในห้องสัมภาษณ์ก็จะย้ายตามในที่สุด เพราะบริษัทไม่ค่อยคัดคนด้วยเกณฑ์ที่ตัวเองเลิกใช้ไปแล้ว เด็กที่เตรียมตัวมาเพื่อพิสูจน์ว่าเขียนโค้ดได้เร็วและได้เยอะ กำลังตอบข้อสอบชุดเก่าอยู่ ส่วนคนที่เตรียมมาเล่าได้ว่าตัวเองตรวจงานของ AI ยังไง เจออะไรที่มันมั่ว แล้วตัดสินใจยังไงต่อ กำลังตอบข้อสอบชุดที่กำลังจะใช้จริง ข้อสังเกตนี้เป็นการอ่านของผม รายงานไม่ได้เขียนถึงห้องสัมภาษณ์ในไทย

พื้นฐานไม่ได้สำคัญน้อยลง มันกลายเป็นเงื่อนไขของการมีสิทธิ์เถียง AI

Hitachi บังคับให้แน่นพื้นฐานก่อน ถึงจะให้พึ่ง AI-generated code

กระแสที่ดังที่สุดตอนนี้คือเรียน prompt ไปเถอะ ไม่ต้องเรียนลึก แต่องค์กรที่รายงานยกมากลับคิดสวนทาง Hitachi ออกแบบงาน entry-level ใหม่โดยตั้งใจตัดงานประสานงานซ้ำๆ อย่างสรุปประชุมกับตามงานออกไปให้ระบบทำ แล้วเก็บงานที่สร้าง judgement กับความเข้าใจธุรกิจไว้กับคน ¹

และมีข้อบังคับข้อหนึ่งที่ตรงกับหัวข้อนี้มาก คือ early career engineer ยังต้องแน่น coding fundamentals ก่อน ถึงจะให้พึ่ง AI-generated code หนักๆ ได้ เหตุผลที่รายงานให้ไม่ใช่เรื่องศักดิ์ศรีของอาชีพ แต่เป็นเรื่องเทคนิคล้วนๆ

early career engineers are still expected to develop coding fundamentals before relying heavily on AI-generated code, ensuring they can validate and appropriately challenge AI outputs

AI เก่งงานยาก แต่พลาดงานง่าย และนั่นคือช่องที่คนยังมีค่า

ฝั่ง Gartner อธิบายเหตุผลเดียวกันด้วยคนละคำ เขาอ้างงานของ MIT เรื่อง jagged technological frontier คือความสามารถของ AI ไม่ได้เรียบเป็นเส้นเดียว มันหยักขึ้นลง เก่งงานที่ซับซ้อนอย่างการช่วยคิดไอเดีย แล้วพลาดงานที่ดูง่ายกว่ามากอย่างเลขพื้นฐานหรือ logic ธรรมดา ²⁶

พอความผิดพลาดไม่ได้เรียงตามความยากของงาน คนอ่าน output จึงเดาไม่ได้ว่าตรงไหนควรระวัง ต้องรู้จริงถึงจะจับได้ นี่คือจุดที่คำว่า critical thinking ในบริบทนี้ไม่ใช่ทักษะลอยๆ

• เก่งเรื่องที่ดูยาก เช่นร่างโครงสร้างหรือช่วย brainstorm
• พลาดเรื่องที่ดูง่าย เช่นเลขหรือเงื่อนไขที่ขัดกันเอง
• คนที่จับได้ว่าพลาดตรงไหน ต้องมีความรู้รองรับ ไม่ใช่แค่ความช่างสงสัย

สิ่งที่ผมทำกับน้องที่ ship งานเร็วแต่เล่าที่มาไม่ได้

ในทีมผมเจอรูปแบบนี้อยู่ คือน้องส่งงานเร็วขึ้นชัดเจนเพราะ AI แต่พออ่านโค้ดด้วยกันแล้วถามว่าทำไมถึงแก้แบบนี้ กลับเล่าที่มาที่ไปไม่ได้ ผมยังไม่ได้นับว่ากี่เคส เพราะฉะนั้นผมใส่ตัวเลขให้ไม่ได้ และไม่อยากใส่

สิ่งที่ผมทำคือให้อธิบายที่มาที่ไป ให้เล่า rationale ที่อยู่หลังงานของตัวเอง ไม่ใช่เพื่อจับผิดว่าใช้ AI แต่เพื่อดูว่าที่ส่งมาเป็นของที่เขาตัดสินใจ หรือเป็นของที่เขารับมาเฉยๆ [[OWNER: ตอนที่ให้น้องอธิบาย rationale เขาตอบยังไง ใช้เวลาคุยกันนานแค่ไหน และรอบถัดไปเปลี่ยนไปไหม]]

สิ่งที่ผมได้เห็นตอนนั้น	สิ่งที่ผมถามต่อ
งานที่ ship เสร็จแล้วและใช้งานได้	ทำไมถึงเลือกทางนี้ ตอนนั้นมีทางเลือกอะไรอยู่บ้าง
โค้ดที่หน้าตาเรียบร้อยกว่าที่เคย	ถ้าพรุ่งนี้มันพัง จะเริ่มดูจากตรงไหน

อ่านแบบผู้บริหารองค์กร ผู้บริหารที่ผมคุยด้วยส่วนใหญ่ไม่ได้กลัวว่าเด็กใช้ AI จริงๆ คือถ้าไม่ใช้ต่างหากที่น่าห่วง สิ่งที่กลัวคือรับ output มาโดยไม่รู้ว่าตัวเองรับอะไรมา เพราะต้นทุนของเรื่องนี้ไม่ได้จ่ายตอน review มันไปโผล่ตอน production แล้วคนที่ต้องนั่งแกะคือทีมทั้งทีม พื้นฐานทาง technical จึงไม่ได้หมดค่าลง มันเปลี่ยนหน้าที่ จากเครื่องมือผลิตงาน กลายเป็นเงื่อนไขของการมีสิทธิ์เถียงกับ output ที่เครื่องเสนอมา ใครเถียงไม่ได้ ก็เหลือแค่กดรับ

ใช้ AI เป็นไม่ใช่จุดต่าง มันคือพื้นฐานเหมือนใช้ Excel เป็นในงานบัญชี

Gartner แยกชั้นของทักษะไว้ชัดกว่าที่คนพูดกันทั่วไป

ข้อเสนอของ Gartner ที่ผมว่ามีประโยชน์กับคนกำลังจะสมัครงานมาก คือเขาไม่ได้กองทุกอย่างรวมกันเป็นคำว่าทักษะ AI แต่แยกเป็นสองชั้น ชั้นล่างคือ verification กับ error detection ซึ่งเขาเสนอให้องค์กรถือเป็นข้อกำหนดขั้นต่ำของการได้สิทธิ์ใช้ AI tool ส่วนชั้นบนคือ use-case discovery กับ discernment ที่ให้ประเมินแบบยืดหยุ่นได้ ²

อ่านแบบผู้สมัครงานคือของชั้นล่างไม่ใช่จุดขาย มันคือค่าผ่านประตู

ชั้น	ทักษะที่ Gartner ระบุ
ขั้นต่ำเพื่อได้ใช้ AI tool	verification, error detection
ชั้นที่ใช้แยกคน	use-case discovery, discernment

สิ่งที่ Indeed วัดคู่กัน มีชื่อแคบกว่าคำว่า soft skill

เวลาเราพูดว่า soft skill สำคัญขึ้น มันกว้างจนแนะนำอะไรใครไม่ได้ หลักฐานในมือใช้คำที่แคบกว่านั้นและสังเกตได้จริงในห้องสัมภาษณ์ ¹

Candidates are evaluated on their ability to use AI tools in practical scenarios, alongside "human" skills such as reasoning, collaboration and critical thinking

คำว่า alongside สำคัญมาก มันไม่ได้แปลว่าอย่างหลังมาแทนอย่างแรก และไม่ได้แปลว่าอย่างแรกไม่ต้องมี ส่วนฝั่ง Gartner ก็มองภาพใหญ่ไปทางเดียวกัน คือ AI ควรไปเสริม judgement, creativity, leadership และการตัดสินใจของคน ไม่ใช่มาแทน ² แต่ต้องบอกตรงๆ ว่านั่นเป็นคำแนะนำเชิงทิศทางให้องค์กร ไม่ใช่เกณฑ์คัดผู้สมัคร ผมจึงเอามาอ้างได้แค่ระดับทิศทาง

เครื่องคิดเลขกับ Excel ในงานบัญชี

ภาพที่ผมใช้อธิบายกับน้องที่มา coaching คือคนทำบัญชี ใช้เครื่องคิดเลขเป็นและใช้ Excel เป็นคือพื้นฐานปกติ ไม่มีใครได้งานเพราะกด Excel คล่อง สิ่งที่ทำให้ต่างกันคือหลักการวิเคราะห์ output และการเข้าใจ rationale ของการเกิดและการแก้ปัญหาตัวเลขเหล่านั้น AI tool ในสาย software กำลังเดินมาทางเดียวกัน

สิ่งที่ผมพูดกับเขาวันนั้นคือ ทักษะการทำงานกับมนุษย์ และบริบทบนโลกความเป็นจริง ยิ่งสำคัญมากขึ้นไปอีก ในวันที่ใครๆ ก็ใช้ AI tool ได้เหมือนๆ กัน ผมพูดในฐานะสิ่งที่ผมเห็นจากห้องสัมภาษณ์และจากทีมของผมเอง ไม่ใช่ข้อสรุปของรายงาน เพราะไม่มีรายงานไหนในกองนี้จัดอันดับให้ทักษะกลุ่มนี้เป็นตัวชี้ขาดในการคัดคน

และถ้าถามว่าอะไรทำให้ผมเปลี่ยนใจเรื่องผู้สมัครคนหนึ่งในรอบล่าสุด คำตอบของผมคือการแก้ไขปัญหาเรื่องคน ไม่ใช่ส่วนที่เป็นโค้ด [[OWNER: ผู้สมัครคนนั้นเล่าเรื่องการแก้ปัญหาเรื่องคนว่าอะไร เป็นปัญหากับใคร และคุณเปลี่ยนใจตอนประโยคไหน]]

• ทักษะการทำงานกับมนุษย์
• บริบทบนโลกความเป็นจริงที่งานนั้นตั้งอยู่
• การวิเคราะห์ output และเข้าใจ rationale ของปัญหาที่เกิดกับวิธีแก้

อ่านแบบผู้บริหารองค์กร ถ้าจะเถียงว่าทักษะเรื่องคนสำคัญกว่าเดิม ต้องเถียงในระดับที่บอกได้ว่าสังเกตจากอะไรในห้องสัมภาษณ์ ไม่ใช่ระดับคำว่า creativity ลอยๆ เพราะคำกว้างแนะนำอะไรใครไม่ได้เลย ที่ผมสังเกตได้จริงคือคนที่เล่าได้ว่าเคยเจอความเห็นไม่ตรงกันในทีมแล้วจัดการยังไง กับคนที่เล่าได้แค่ว่างานเสร็จตามกำหนด สองคนนี้ต่างกันตั้งแต่นาทีที่สาม ส่วนคำว่าใช้ AI เป็น ตอนนี้แทบไม่ได้ใช้แยกใครออกจากใครแล้ว เพราะแทบทุกคนที่เดินเข้ามาก็ใช้เป็นเหมือนกันหมด

งานแรกที่หายไปไม่ใช่ความผิดคุณ และยังพิสูจน์ไม่ได้ว่าเป็นฝีมือ AI

ตัวเลข 16% ที่ถูกอ้างจนเหมือนเป็นข้อสรุป

ตัวเลขที่ทุกเพจหยิบไปใช้คือ 16% decline ของงาน entry-level ในสาขาที่ AI เข้าถึงมากในสหรัฐ นับตั้งแต่ปลายปี 2022 มาจากงานของ Brynjolfsson และคณะ ¹³ แต่รายงานเองเขียนข้อจำกัดกำกับไว้ด้วย และเป็นข้อจำกัดที่หนักพอจะเปลี่ยนความหมายของตัวเลข คือ job posting เริ่มลดลงมาก่อน ChatGPT ออกเกือบปี และผู้บริหารที่ถูกสัมภาษณ์ให้น้ำหนัก cost discipline กับความไม่แน่นอนทางเศรษฐกิจพอๆ กับ automation ¹

ตัวเลข	ค่า
งาน entry-level ในสาขา AI-exposed ในสหรัฐ ตั้งแต่ปลายปี 2022	ลดลง 16%
ช่วงเวลาที่ posting เริ่มลด เทียบกับวันที่ ChatGPT ออก	เริ่มลดก่อนเกือบ 1 ปี
องค์กรที่ redesign role, process และ operating model เพื่อรับ AI ได้เต็มรูปแบบ	16%

ตัวเลข 16% อีกตัวที่บอกว่าภาระอยู่ตรงไหน

ในกองเดียวกันมีเลข 16% อีกตัวที่คนละเรื่องกันสิ้นเชิง คือมีองค์กรแค่ 16% ที่บอกว่า redesign role, process และ operating model เพื่อรับ AI ได้เต็มรูปแบบแล้ว ¹ แปลว่าเวลาที่หลายที่บอกว่างาน entry-level ไม่เหมาะกับยุค AI แล้ว ส่วนใหญ่ยังไม่ได้ลงมือออกแบบงานใหม่ด้วยซ้ำ

และ framework ทั้งสี่ขาของรายงาน คือ job access, job design, talent pipelines และ education system alignment เขียนถึงนายจ้าง ผู้ออกนโยบายและสถาบันการศึกษาแทบทั้งหมด ไม่ได้เขียนเป็นคู่มือเตรียมตัวให้ผู้สมัคร ¹ ผู้บริหารคนหนึ่งในรายงานพูดถึงความเสี่ยงของการตัดฐานพีระมิดทิ้งไว้แบบนี้

A lot of the efficiency gains are coming from the base of the organization. The risk is that if you remove too much of that layer, you weaken the pipeline that feeds the rest of the business.

ประโยคที่ผมลังเลจะเล่าให้เด็กปี 4 ฟัง

มีอยู่วงหนึ่งที่ผมนั่งอยู่ด้วย senior role คนหนึ่งพูดออกมาว่าขอ token budget ดีกว่าจ้างเด็กจบใหม่ ได้งานเยอะกว่ากันเยอะ ผมไม่ระบุว่าองค์กรไหน และไม่ได้จะบอกว่านี่คือความคิดของทั้งวงการ ผมลังเลอยู่นานว่าจะเขียนประโยคนี้ลงบทความที่เด็กปี 4 อ่านดีไหม [[OWNER: ตอนที่ได้ยินประโยคนี้ในห้อง คุณตอบกลับไปว่าอะไร หรือเงียบ]]

ที่สุดท้ายเลือกเขียน เพราะผมว่ามันทำงานกลับทางกับที่ผมกลัว การตัดสินใจแบบนี้เกิดบนโต๊ะประชุมที่ผู้สมัครไม่เคยได้เข้า มันเกิดจากงบและจากวิธีที่ผู้บริหารตีความคำว่า productivity ไม่ได้เกิดจากใครเก่งไม่พอ ถ้าไม่มีใครบอก เด็กจะแบกเรื่องนี้ไว้เป็นความผิดของตัวเอง

อ่านแบบผู้บริหารองค์กร การบอกเด็กว่าส่วนไหนไม่ใช่ความผิดเขา ไม่ใช่การปลอบใจ แต่เป็นการคืนความแม่นให้เขาเลือกว่าจะออกแรงตรงไหนถึงจะได้ผล คนที่คิดว่าตลาดหดเพราะตัวเองไม่เก่งพอ จะแก้ด้วยการเรียนเพิ่มแบบไม่มีทิศ ส่วนคนที่รู้ว่าส่วนหนึ่งเป็นเรื่องงบและการออกแบบงานที่ยังไม่เสร็จ จะเหลือแรงไปลงกับสิ่งที่ขยับได้จริง คือพื้นฐานของตัวเองกับการเลือกว่าจะไปสมัครที่ไหน ในทางกลับกัน Gartner ก็เตือนฝั่งองค์กรไว้แล้วว่าการตัดคนเร็วเกินไปมีราคาที่ต้องจ่ายทีหลัง

ตลาดกำลังแยกเป็นสองฝั่ง และไทยยังไม่มีตัวเลขให้ดูว่าฝั่งไหนใหญ่กว่า

ฝั่งที่ยังปั้นคนเอง

รายงานยก Dropbox เป็นตัวอย่างขององค์กรที่เลือกอีกทาง คือมองว่า AI ทำให้ขยายขีดความสามารถของคนได้ แล้วเอาเวลาที่ประหยัดได้ไปลงกับงานที่มีค่ากว่าเดิม พร้อมกับใส่ความคาดหวังเรื่อง AI ลงไปในการออกแบบงาน เกณฑ์ hire และการเทรน ¹

ตัวชี้วัดของ Dropbox	ค่า
การขยาย internship และ new graduate programme	25%
คนที่ปั้นเองแล้วได้ promote ภายในปีที่สอง	65%
ได้ promote ภายในปีที่สาม	87%

ฝั่งที่มอง AI เป็นการประหยัดต้นทุน

ฝั่งตรงข้ามคือองค์กรที่อ่าน AI เป็นบรรทัดลดต้นทุนอย่างเดียว Gartner ตั้งสมมติฐานเชิงกลยุทธ์ไว้สองข้อที่อ่านคู่กันแล้วน่าคิด ข้อหนึ่งผูกกับปี 2027 พอดี ซึ่งเป็นชิ้นเดียวในกองหลักฐานนี้ที่ผูกกับปีนั้นจริง และก็ยังเป็นคำทำนายเรื่ององค์กร ไม่ใช่เรื่องจำนวนตำแหน่งงาน ²

By 2027, 75% of organizations that prioritize capturing AI productivity gains as cost savings will be eclipsed by competitors that aggressively reinvest in innovation, modernization and upskilling.

อีกข้อคือภายในปี 2029 พนักงาน 30% ที่ถูก layoff เพราะถูกแทนด้วย AI จะต้องถูก rehire กลับมา และมักจะแพงกว่าเดิม ²

ฝั่งไทยยังไม่มีตัวเลข และผมจะไม่แต่งให้

ในกองหลักฐานนี้ไม่มีข้อมูลไทยเลย ไม่มีตัวเลขจ้างงาน ไม่มี sector breakdown ที่ใกล้ที่สุดคือ Eastern Asia ที่ราวสามในสี่ หรือ 75% ของแรงงานอายุน้อยอยู่ในอาชีพที่มี exposure ต่อการเปลี่ยนงานด้วย AI ระดับปานกลางถึงสูง ซึ่งไทยไม่ได้ถูกแยกออกมาในตัวเลขนั้น ¹ ผมจึงเอามาสวมหัวว่าเป็นของไทยไม่ได้

ที่ผมพูดได้คือสิ่งที่ผมเห็นจาก pipeline การ hire ที่ผมดูอยู่ในธนาคารไทยแห่งหนึ่ง และต้องอ่านว่านี่เป็นการอ่านของผม ไม่ใช่ข้อเท็จจริงของประเทศ [[OWNER: ใน pipeline ที่คุณดูอยู่ ตอนนี้เห็นสัญญาณอะไรที่พูดได้โดยไม่ระบุองค์กร เช่นสัดส่วนตำแหน่ง junior ที่ยังเปิด หรือรอบ intern ที่ยังจัดอยู่]]

ส่วนกลไกแบบที่ประเทศอื่นใช้แก้กำแพงต้องมีประสบการณ์มาก่อน ก็มีตัวอย่างให้ดู อย่างโครงการ Digital Skills for Youth ของแคนาดา ที่รัฐช่วยออกค่าจ้าง placement ให้นายจ้างเพื่อลดความเสี่ยงในการรับคนที่ยังไม่มีประสบการณ์ ¹ ฝั่งไทยผมยังไม่เห็นกลไกที่เทียบเท่า และผมไม่ได้จะเสนอนโยบายแทนใคร

ถ้าผมเป็นเด็กปี 4 ตอนนี้ สามอย่างนี้คือสิ่งที่ผมจะกลับไปทำก่อน

• กลับมาลงแรงกับ fundamental ของระบบ software และการออกแบบให้มากกว่าเดิม เพราะมันคือของที่ทำให้เถียง output ได้
• ตาม AI harness ที่เกี่ยวกับงานที่ตัวเองทำ เพื่อตัดเวลาที่ไม่จำเป็นต้องทำเองทิ้ง โดยรู้ตัวว่านี่คือพื้นฐาน ไม่ใช่จุดต่าง
• ดูว่าบริษัทที่จะสมัคร ยังมี intern หรือ new grad programme ที่โตอยู่ไหม เพราะนั่นคือสัญญาณว่าเขาอยู่ฝั่งที่ยังปั้นคน

อ่านแบบผู้บริหารองค์กร เมื่อตัวเลขระดับประเทศยังไม่มี สิ่งที่ผู้สมัครทำได้จริงคือดูสัญญาณระดับบริษัท แทนที่จะรอให้ใครสรุปภาพรวมให้ฟัง programme ที่ยังขยาย งบเทรนที่ยังอยู่ และการที่ยังมี junior ในทีมให้เห็น สามอย่างนี้บอกได้มากกว่าข่าวเลิกจ้างสิบข่าวรวมกัน และมันกลับไปที่เรื่องเดิม คือคุณจะเป็นคนตัดสิน output ได้ก็ต่อเมื่อมีคนยอมให้คุณเข้าไปยืนใกล้ของจริงก่อน เลือกที่ที่ยังเปิดประตูนั้นไว้ ให้ความสำคัญพอๆ กับเลือกว่าจะฝึกอะไร

ภาคผนวก

ศัพท์เฉพาะ

คำ	ความหมาย
entry-level	ตำแหน่งงานแรกที่รับคนไม่มีประสบการณ์หรือมีน้อย
validate	การตรวจว่าผลลัพธ์ที่ได้มาถูกต้องและใช้ได้จริงหรือไม่
interrogate	การซักผลลัพธ์ ถามกลับว่าทำไมถึงได้แบบนี้ ไม่ใช่รับมาใช้ทันที
hallucination	การที่ AI สร้างคำตอบที่ฟังดูสมเหตุสมผลแต่ไม่มีอยู่จริง
jagged frontier	ลักษณะที่ความสามารถของ AI ไม่สม่ำเสมอ เก่งงานยากแต่พลาดงานง่าย
skills-based architecture	การจัดโครงสร้างงานตามทักษะย่อย แทนการยึด job profile ที่ตายตัว
AI harness	ชุดเครื่องมือและวิธีต่อ AI เข้ากับงานจริงให้ทำงานเป็นขั้นตอนได้
net skills change	อัตราการเปลี่ยนของชุดทักษะที่ตำแหน่งงานหนึ่งต้องใช้

วิธีเก็บข้อมูลและข้อจำกัด

บทความนี้สรุปจากรายงานสองฉบับ เก็บข้อมูลวันที่ 4 กันยายน 2569 ¹² ส่วนที่เป็นประสบการณ์มาจากทีมและห้องสัมภาษณ์ของผมเอง ไม่ได้สัมภาษณ์ใครเพิ่มเพื่อเขียนชิ้นนี้

• บทความนี้บอกไม่ได้ว่าตลาดงาน software สำหรับ new grad ในไทยปี 2027 จะเป็นอย่างไร กองหลักฐานไม่มีตัวเลขไทยทั้งการจ้างงานและ sector breakdown
• นี่ไม่ใช่คำพยากรณ์ปี 2027 หลักฐานชิ้นเดียวที่ผูกกับปีนั้นเป็นคำทำนายเรื่องพฤติกรรมองค์กร ไม่ใช่เรื่องจำนวนตำแหน่ง junior developer
• ตัวเลข 16% decline พิสูจน์ไม่ได้ว่าเป็นเพราะ AI เพราะ job posting เริ่มลดก่อน ChatGPT ออกเกือบปี และผู้บริหารที่ถูกสัมภาษณ์ให้น้ำหนัก cost discipline พอๆ กับ automation
• ไม่มีรายงานไหนในกองนี้จัดอันดับว่าทักษะเรื่องคนเป็นตัวชี้ขาดในการคัดผู้สมัคร ส่วนที่บทความพูดเรื่องนี้คือการอ่านของผมจากห้องสัมภาษณ์ของตัวเอง
• รายงานหลักเขียนถึงนายจ้าง ผู้ออกนโยบายและสถาบันการศึกษาเป็นหลัก ไม่ได้เขียนเป็นคู่มือเตรียมตัวให้ผู้สมัคร การอ่านมาใช้กับตัวบุคคลจึงเป็นการตีความของผม
• บทความไม่เสนอว่ามหาวิทยาลัยไทยควรปรับหลักสูตรอย่างไร มีแค่ตัวอย่างกลไกจากประเทศอื่นไว้เทียบ
• รายงาน Gartner เป็นงานวิจัยที่ขายให้ลูกค้าองค์กร มุมมองจึงเป็นมุมของผู้ซื้อบริการ ไม่ใช่มุมของแรงงาน
• กรณีศึกษาในรายงานเป็นองค์กรที่ยินดีให้สัมภาษณ์ ซึ่งเป็นอคติจากการเลือกเฉพาะรายที่ทำสำเร็จ ไม่มีเคสที่ล้มเหลวให้อ่านเลย