ใช้งาน AI ใคร ๆ ก็ใช้เป็น ไม่เห็นต้องเรียน

“ก็แค่เปิดแอป พิมพ์คำถาม แล้วรอคำตอบ จะต้องเรียนอะไรอีก?”

ประโยคนี้ฟังดูมีเหตุผล และผมได้ยินบ่อยมากๆ จากหลายคน โดยเฉพาะบางท่านที่เป็นผู้บริหารระดับ เพราะความสำเร็จอย่างหนึ่งของ AI แบบสนทนา คือการทำให้คนทั่วไปเข้าถึงความสามารถที่เคยต้องใช้ความรู้เฉพาะทาง เราขอให้ช่วยร่างจดหมาย แปลภาษา สรุปเอกสาร หรือคิดทางเลือกได้ด้วยภาษาธรรมดา หลายคนเริ่มใช้งานได้โดยไม่ต้องเปิดคู่มือด้วยซ้ำ ความง่ายเช่นนี้เป็นเรื่องดี แต่ก็ทำให้เกิดความเข้าใจคลาดเคลื่อนว่า เมื่อเริ่มใช้งานได้ ก็เท่ากับใช้งานได้ดีแล้ว

ความง่ายของหน้าจอ AI ที่ให้คำตอบอย่างมั่นใจ ทำให้เรามองไม่เห็นทักษะที่ต้องใช้หลังหน้าจอ รถเกียร์อัตโนมัติช่วยลดสิ่งที่ผู้ขับต้องควบคุม แต่คนขับยังต้องอ่านสภาพถนน เว้นระยะ และรู้ว่าเมื่อไรควรเบรก ความสะดวกของเครื่องมือช่วยลดขั้นตอนการทำงาน ขณะที่การตัดสินใจยังต้องอาศัยการเรียนรู้

การใช้ AI ก็มีเรื่องให้เรียนรู้เช่นเดียวกัน โดยเฉพาะเมื่อเรานำคำตอบออกจากหน้าจอ ไปใช้กับงาน เงิน ข้อมูล และความไว้วางใจของคนอื่น  AI แบบสนทนาสามารถสร้างคำตอบที่เรียบเรียงดี ทั้งที่รายละเอียดบางส่วนผิด หรือมีแหล่งอ้างอิงที่ไม่มีอยู่จริง สถาบันมาตรฐานและเทคโนโลยีแห่งชาติของสหรัฐฯ หรือ NIST จัดความเสี่ยงจากการสร้างข้อมูลผิดอย่างมั่นใจ และการที่มนุษย์พึ่งพา AI มากเกินไป ไว้ในกรอบบริหารความเสี่ยงของ Generative AI ด้วย 

คำตอบที่อ่านลื่นจึงต้องผ่านการตรวจสอบ โดยเฉพาะในเรื่องที่เราเองมีความรู้ไม่พอจะมองเห็นข้อผิดพลาด ลองนึกถึงการให้ AI สรุปรายงานประชุม หากมีผู้เสนอว่า “ควรพิจารณาเริ่มโครงการเดือนหน้า” แต่บทสรุปกลับเขียนว่า “ที่ประชุมมีมติให้เริ่มโครงการเดือนหน้า” ประโยคอาจดูเรียบร้อยและเป็นทางการ แต่ความหมายเปลี่ยนจากข้อเสนอเป็นคำสั่งไปแล้ว คนที่นำบทสรุปนี้ไปใช้อาจกำลังเร่งงานได้เร็วขึ้นหากไม่มีคนตรวจ พร้อมกับส่งต่อความเข้าใจผิดไปทั้งองค์กร

งานวิจัยที่ทดลองกับที่ปรึกษาของ Boston Consulting Group จำนวน 758 คน โดยใช้ GPT-4 ในปี 2566 พบว่า สำหรับงานที่อยู่ในขีดความสามารถของระบบ ผู้ใช้ AI ทำงานได้มากขึ้น ใช้เวลาน้อยลง และได้ผลงานคุณภาพดีขึ้น แต่ในโจทย์บริหารธุรกิจหนึ่งที่ออกแบบให้อยู่นอกขีดความสามารถของระบบ

กลุ่มที่ใช้ AI กลับตอบถูกน้อยกว่ากลุ่มที่ไม่ได้ใช้ ผลนี้มีขอบเขตตามรุ่นของ AI ผู้เข้าร่วม และโจทย์ที่ศึกษา จึงไม่ควรเหมารวมกับ AI ทุกระบบหรือทุกงาน ซึ่งบทเรียนที่ผมเห็นจากงานวิจัยนี้ คือเราต้องประเมิน AI ตามงานที่จะมอบหมาย ความสำเร็จในการช่วยร่างข้อความครั้งหนึ่ง ยังใช้รับรองความแม่นยำในการวิเคราะห์อีกเรื่องหนึ่งไม่ได้

ทักษะแรกที่ควรฝึกคือ การตั้งโจทย์ให้ชัด ก่อนพิมพ์คำสั่ง เราควรรู้ว่าต้องการแก้ปัญหาอะไร ใครจะใช้ผลงาน และจะตัดสินว่าผลงานดีได้อย่างไร คำสั่งว่า “ช่วยวิเคราะห์ให้หน่อย” เปิดพื้นที่ให้ระบบตีความกว้างมาก ขณะที่การบอกวัตถุประสงค์ ข้อมูล ข้อจำกัด และรูปแบบที่ต้องการ ช่วยให้เราทั้งสั่งงานและตรวจรับงานได้ชัดขึ้น  สำหรับตัวอย่างรายงานประชุม เราอาจสั่งว่า “ช่วยแยกมติที่ประชุม ข้อเสนอ และประเด็นที่ยังไม่ได้ข้อยุติ ระบุผู้รับผิดชอบเฉพาะที่มีในเอกสาร พร้อมชี้ข้อความต้นทาง หากข้อมูลไม่ชัดเจนให้ระบุว่าต้องตรวจสอบเพิ่มเติม”

คำสั่งเช่นนี้ช่วยกำหนดกรอบการทำงาน แต่ผู้ใช้ยังต้องเทียบบทสรุปกับบันทึกต้นฉบับ โดยเฉพาะมติ ผู้รับผิดชอบ และกำหนดเวลา เรื่องถัดมาคือ การเลือกเครื่องมือให้เหมาะกับงาน งานคิดคำโฆษณาเปิดรับความหลากหลายได้มาก ส่วนงานคำนวณงบประมาณต้องการตัวเลขที่ตรวจย้อนกลับได้ งานค้นข้อเท็จจริงปัจจุบันต้องมีแหล่งข้อมูลที่เป็นปัจจุบัน และงานอ่านเอกสารต้องตรวจว่าระบบเข้าถึงเนื้อหาที่จำเป็นครบหรือไม่

ผู้ใช้จึงควรเรียนรู้ว่าเมื่อไรจะใช้ AI ช่วยคิด เมื่อไรต้องให้ทำงานร่วมกับเครื่องคำนวณ ฐานข้อมูล หรือการค้นเอกสาร และเมื่อไรควรขอให้ผู้เชี่ยวชาญช่วยตรวจ ความคุ้นเคยกับแอปหนึ่งแอป ยังไม่เพียงพอสำหรับตัดสินว่าเครื่องมือนั้นเหมาะกับทุกงานของเรา

อีกเรื่องที่มองข้ามไม่ได้คือ การเลือกข้อมูลและสิทธิที่มอบให้ AI ก่อนอัปโหลดรายชื่อลูกค้า เอกสารบุคลากร หรือแผนธุรกิจ ผู้ใช้ควรรู้ว่าข้อมูลนั้นส่งเข้าเครื่องมือใดได้ ต้องลดข้อมูลส่วนใด และบริการมีเงื่อนไขการเก็บและใช้ข้อมูลอย่างไร โดยตรวจร่วมกับนโยบายขององค์กร หากให้ AI เชื่อมต่ออีเมลหรือระบบงาน ก็ต้องกำหนดขอบเขตให้ชัดว่าจะให้อ่าน ร่าง แก้ไข หรือส่งข้อมูลได้เพียงใด การให้ช่วยร่างอีเมลกับการให้ส่งอีเมลถึงลูกค้าเอง มีผลตามมาคนละระดับ

ต่อมาคือ การตรวจคำตอบอย่างมีหลักฐาน ผู้ใช้ต้องฝึกแยกข้อเท็จจริงออกจากข้อสันนิษฐาน เปิดอ่านแหล่งอ้างอิง ตรวจวันที่ และดูว่าต้นทางสนับสนุนข้อความที่ AI เขียนจริงหรือไม่ การมีลิงก์แนบอยู่ท้ายคำตอบ ยังไม่ได้ยืนยันว่าข้อสรุปทั้งหมดถูกต้อง การถามกลับว่า “แน่ใจหรือ?” อาจช่วยให้ระบบทบทวน แต่การตรวจสอบที่เราควรทำต่อ คือเทียบกับเอกสาร แหล่งข้อมูลที่มีอยู่จริง หรือวิธีคำนวณที่ตรวจได้ แม้ AI หลายตัวจะตอบตรงกัน

เราก็ควรมองหาหลักฐานต้นทางก่อนใช้กับเรื่องสำคัญ ทักษะนี้ยิ่งจำเป็นเมื่อเราใช้ AI ในเรื่องที่ไม่ถนัด เพราะความรู้ที่ขาดไปอาจเป็นความรู้ส่วนเดียวกับที่ต้อง “ใช้จับผิดคำตอบ” เราสามารถใช้ AI ช่วยอธิบายพื้นฐานและเตรียมคำถามไปคุยกับผู้เชี่ยวชาญ เพื่อเพิ่มความสามารถในการตัดสินใจของเราเอง

สุดท้ายคือ การให้ AI ช่วยคิดคำอวยพร กับการใช้คัดเลือกบุคลากรหรือเสนออนุมัติโครงการ ควรมีระดับการตรวจสอบต่างกันตามผลกระทบ คนที่ทำหน้าที่ตรวจต้องเข้าใจงาน มีเวลาพอ และมีอำนาจให้แก้ไขหรือหยุดการนำผลลัพธ์ไปใช้ คำว่า “มีคนตรวจแล้ว” จะมีความหมาย ก็ต่อเมื่อคนตรวจสามารถอธิบายได้ว่าตรวจอะไร ใช้หลักฐานใด และยังมีข้อจำกัดตรงไหน

ทั้งหมดนี้เรียนรู้และฝึกฝนได้ โดยไม่จำเป็นต้องเริ่มจากการซื้อคอร์สราคาแพง หรือเรียนเขียนโปรแกรมทุกคน เราเริ่มจากงานเล็กที่มีความเสี่ยงต่ำและรู้คำตอบอยู่แล้วได้ เช่น ให้ AI สรุปเอกสารสาธารณะที่เราอ่านจบ จากนั้นตรวจว่าตกหล่นอะไร ตรวจสอบความถูกต้องจากแหล่งอ้างอิงด้วยตนเอง และเปลี่ยนความหมายตรงไหน ทดลองปรับคำสั่ง แล้วบันทึกว่าวิธีใดช่วยให้งานดีขึ้น

การฝึกเช่นนี้ทำให้เห็นทั้งประโยชน์และข้อจำกัดจากประสบการณ์ของตนเอง การเรียนด้วยตนเอง การอ่านคู่มือ การแลกเปลี่ยนกับเพื่อนร่วมงาน และการอบรมที่มีแบบฝึกหัดจริง ล้วนเป็นเส้นทางที่มีคุณค่า สิ่งที่ควรถามหลังเรียน คือเราทำงานได้ดีขึ้นและตรวจข้อผิดพลาดได้ดีขึ้นเพียงใด

สำหรับผู้บริหาร หากซื้อบัญชีหรือเปิดสิทธิ์ให้บุคลากรแล้วคาดหวังประสิทธิภาพทันที โดยไม่เตรียมเวลา เครื่องมือ และกติกา ก็กำลังซื้อความเร็วของ “ดราฟต์ หรือ ร่างของงาน”  ยังไม่ใช่คุณภาพของงานที่ออกนอกหน่วยงาน ข้อตกลงที่ขาดไม่ได้มีอย่างน้อยห้าข้อ

• หนึ่ง งานใดใช้ได้ งานใดห้ามปิดด้วยเอาต์พุตจากระบบโดยไม่มีต้นทางเทียบ
• สอง ข้อมูลใดเข้าเครื่องมือได้ ข้อมูลใดห้าม
• สาม ใครตรวจรับ และใครมีอำนาจหยุด ไม่ใช่แค่ใครมีหน้าที่อ่าน
• สี่ เมื่อพบข้อผิดพลาด จะปรับกระบวนการอย่างไร ไม่ใช่ตำหนิผู้ใช้รายคนแล้วจบ
• ห้า วัดผลรวมเวลาที่ใช้ตรวจและแก้งาน คุณภาพของผลงาน และผลกระทบที่เกิด ไม่ใช่แค่จำนวนชิ้นที่ร่างเสร็จใน “ห้านาที” หากต้องใช้ “สองชั่วโมง” ตามแก้ หรือแย่กว่านั้นคือส่งต่อความเข้าใจผิดโดยไม่มีใครรู้ ตัวเลขผลิตภาพชิ้นแรกเป็นภาพลวง อย่าวัดความก้าวหน้าจากความเร็วที่ได้ข้อความ ถ้าวัดแบบนั้น องค์กรจะลงโทษคนที่ตรวจละเอียด และให้รางวัลคนที่ส่งประโยคมั่นใจออกไปก่อน

AI เปิดโอกาสให้คนจำนวนมากทำสิ่งที่เคยทำได้ยาก โดยเฉพาะผู้ที่พื้นฐานไม่สูง โอกาสนี้จะเกิดประโยชน์เมื่อผู้ใช้พัฒนาความสามารถในการตั้งคำถาม เลือกเครื่องมือ ตรวจหลักฐาน และเมื่อองค์กรยอมจ่ายต้นทุนของการตรวจ ไม่โยนความเสี่ยงทั้งหมดกลับไปที่วินัยส่วนบุคคล ยิ่งระบบทำงานแทนคนได้มากขึ้น ยิ่งต้องกำหนดให้ชัดว่าจะมอบหมายอะไร ห้ามมอบหมายอะไร ตรวจอะไร และใครรับผิดหากผลลัพธ์เพี้ยน อย่าให้ความง่ายในการเริ่มใช้ เป็นข้ออ้างในการหยุดเรียนรู้ ทั้งในระดับบุคคล และองค์กร

อ้างอิง : https://aiinstitute.hbs.edu/navigating-the-jagged-technological-frontier