พนักงานเก่งขึ้นจริงไหม? เมื่อ AI ช่วยเพิ่มผลงานแต่ทักษะจริงอาจหายไป

วิจารณญาณคือสิ่งที่แบ่งแยกมืออาชีพอาวุโสออกจากเพื่อนร่วมงานรุ่นน้อง ซึ่งการสร้างทักษะนี้ต้องอาศัยเวลาหลายพันชั่วโมงในการเรียนรู้จากการปฏิบัติงานจริงผ่านงานรูทีนที่วางรากฐานสำคัญภายใต้การดูแลของผู้เชี่ยวชาญ

อย่างไรก็ตาม AI กำลัง changing วิธีการเรียนรู้ในขณะทำงาน โดยการศึกษาในสาขา radiology, business problem-solving, job-seeker writing และ legal education พบว่าเมื่อนำ AI มาใช้ในขั้นตอนการทำงานอย่างเหมาะสม พนักงานที่มีประสบการณ์น้อยจะสามารถเพิ่มประสิทธิภาพการทำงานด้วยตัวเองได้ดีขึ้น

ในอีกด้านหนึ่ง ผลการทดลองกับ software engineers, management consultants, high school students และ clinicians กลับชี้ให้เห็นว่า แม้ AI จะทำหน้าที่เหมือนโครงร่างภายนอก (exoskeleton) ที่ช่วยเพิ่มผลผลิตได้ทันที แต่ทักษะที่เพิ่มขึ้นนั้นมักไม่คงอยู่เมื่อไม่มีเครื่องมือช่วย

บทความวิจัย “Does AI Assistance Enhance or Erode Expertise? Evidence from a Three-Month Field Experiment in Patent Drafting” โดย National Bureau of Economic Research ได้อธิบายการทดลองกับทนายความด้านสิทธิบัตร 133 คน โดยมีการสุ่มให้เข้าถึงเครื่องมือ AI จาก Google Labs (ปัจจุบันคือส่วนหนึ่งของ Gemini Notebook) เพื่อเปรียบเทียบผลลัพธ์ระหว่างกลุ่มที่ใช้และไม่ใช้ AI ในระยะเวลา 3 เดือน

ทำงานได้ดีขึ้นด้วย AI

ผลการทดสอบร่างสิทธิบัตรพบว่ากลุ่มที่ใช้ AI มีคะแนนสูงกว่ากลุ่มควบคุมอย่างชัดเจน โดยวัดจากเกณฑ์ Likert scales ในด้านคุณภาพ 5 มิติ ประสิทธิภาพที่เพิ่มขึ้นนี้มาจากการลดลงของคะแนนในระดับต่ำและเพิ่มขึ้นในระดับปานกลาง แต่ไม่มีการเปลี่ยนแปลงในระดับดีเยี่ยม (exceptional) โดยเฉพาะในกลุ่มทนายความรุ่นน้องที่ใช้ AI จะทำงานได้เร็วขึ้นกว่ากลุ่มปกติถึง 18 นาที

นอกจากการร่างสิทธิบัตรแล้ว ทีมวิจัยยังทดสอบทักษะการตรวจสอบงาน (redline) เพื่อหาข้อผิดพลาดร้ายแรง ซึ่งเป็นงานที่ต้องใช้วิจารณญาณทางวิชาชีพสูงและไม่อนุญาตให้ใช้ AI ช่วยในขั้นตอนนี้ เพื่อวัดว่าการฝึกฝนร่วมกับ AI ในช่วงที่ผ่านมาส่งผลต่อทักษะส่วนบุคคลอย่างไร โดยเน้นใน 5 ด้านหลัก ได้แก่ การบังคับใช้กฎหมาย, ความแม่นยำ, ความคลุมเครือเชิงกลยุทธ์, ความครบถ้วน และความชัดเจน

ผลกระทบโดยประมาณของการเข้าถึง AI ต่อคุณภาพการร่างสิทธิบัตรและการ redline รายงานผลสำหรับทนายความทั้งหมด (สี่เหลี่ยมสีดำ), ทนายความรุ่นน้องที่มีประสบการณ์น้อยกว่า 7 ปี (สามเหลี่ยมสีน้ำเงิน) และทนายความอาวุโสที่มีประสบการณ์ 7 ปีขึ้นไป (เพชรสีส้ม) การประมาณการทั้งหมดคำนึงถึงความแตกต่างระหว่างสำนักงานกฎหมายและปรับตามความแตกต่างเล็กน้อยของจำนวนการให้คะแนนที่ทนายความแต่ละคนได้รับ

เมื่อ AI ถูกนำออกไป

เมื่อไม่มี AI ช่วยในงาน redline วันที่ 90 พบว่าความแตกต่างของคะแนนหายไปในกลุ่มรุ่นน้อง แต่ในกลุ่มอาวุโสกลับทำผลงานได้ดีกว่าเดิม 0.45 SD ซึ่งแสดงให้เห็นว่าผู้เชี่ยวชาญระดับสูงสามารถเก็บเกี่ยวประสบการณ์จากการใช้ AI มาประยุกต์ใช้เป็นวิจารณญาณส่วนตัวได้

ในขณะที่พนักงานรุ่นน้องกลับมีคะแนนกระจายตัวแบบสุดโต่ง คือมีทั้งกลุ่มที่ได้คะแนนดีขึ้นและกลุ่มที่คะแนนต่ำลงอย่างมาก สะท้อนว่า AI อาจช่วยให้งานสำเร็จในระดับที่ยอมรับได้ แต่ไม่ได้ช่วยให้เกิดการเรียนรู้ทักษะที่แท้จริงซึ่งจำเป็นต่อการก้าวขึ้นเป็นมืออาชีพในระดับที่สูงขึ้น

การกระจายคะแนนเฉลี่ยของการ redline สำหรับกลุ่มที่ได้รับการทดลอง (สีส้ม) และกลุ่มควบคุม (สีน้ำเงิน) แบ่งตามประสบการณ์สำหรับทนายความทั้งหมด, ทนายความรุ่นน้องที่มีประสบการณ์น้อยกว่า 7 ปี และทนายความอาวุโสที่มีประสบการณ์ 7 ปีขึ้นไป ข้อมูลที่สังเกตคือคะแนนรายบุคคลที่เฉลี่ยจากทุกมิติของคุณภาพ

เมื่อวิเคราะห์พฤติกรรมการทำงาน ทนายรุ่นน้องมักเน้นแก้คำในระดับผิวเผินและทำงานตามลำดับบนลงล่างจนเสียเวลาไปกับส่วนที่ไม่สำคัญ และมักจะใช้วิธี "วินิจฉัยแต่ไม่แก้ไข" ในขณะที่ทนายอาวุโสใช้ AI เป็นเหมือน "เครื่องมือตรวจสอบตรรกะ" (logic auditor) เพื่อลับคมความคิดและปรับโครงสร้างงานให้รัดกุมยิ่งขึ้น

ทิศทางต่อไป

เป้าหมายระหว่างการเพิ่มผลผลิตกับการสร้างทักษะที่ยั่งยืนอาจกำลังขัดแย้งกัน วิจารณญาณส่วนบุคคลยังคงเป็นสิ่งสำคัญที่สุดในการสื่อสารกับผู้คนและแก้ปัญหาซับซ้อนที่ AI ทำแทนไม่ได้ ความท้าทายในยุคนี้คือจะทำอย่างไรให้เครื่องมือที่ช่วยให้งานดีขึ้นในวันนี้ ไม่ขัดขวางการเติบโตของพนักงานรุ่นใหม่ที่จะต้องเป็นผู้เชี่ยวชาญในวันหน้า

การวิจัยนี้ยังมีข้อจำกัดเรื่องระยะเวลาเพียง 3 เดือนและกลุ่มตัวอย่างในสาขากฎหมายที่จำกัด แต่ข้อสรุปที่ชัดเจนคือ การประเมินผลกระทบของ AI ต่อทักษะวิชาชีพ จำเป็นต้องแยกผลของการใช้เครื่องมือออกจากประสิทธิภาพที่แท้จริงของผู้ใช้เมื่อไม่มีเครื่องมือช่วยเหลือเสมอ

กิตติกรรมประกาศ

ขอขอบคุณอย่างยิ่งต่อผู้ร่วมเขียน Josh Martin, Zanna Iscenko, Scott Strand, David Pearl และ Melissa Ferere; ต่อ James Manyika, Ruth Porat, Kent Walker, Josh Woodward, Anu Madgavkar, Daniel Rock และ Fabien Curto Millet สำหรับคำแนะนำและการสนับสนุน; ต่อ Tom Shane, Mauricio Carneiro, Johnny Jacobs, Victor Lavrenko, Yinghao Sun, Samuel Yang, Daniel Nishi, Eric Wang, Kevin Li, Hao Zheng และ Franz Och แห่ง Google Labs สำหรับการเป็นพันธมิตรกับเราในการทดลอง; ต่อ Kiera Russell สำหรับการเข้าถึงผลิตภัณฑ์และการสนับสนุนผู้ทดสอบที่เชื่อถือได้; ต่อ Steve Gong และ Taylor Montgomery สำหรับคำแนะนำทางกฎหมายและการสนับสนุนการรับสมัคร; และต่อพันธมิตรด้านการสื่อสาร การตลาด และบล็อกการวิจัยของเรา ได้แก่ Kerry McHugh, Zoe Ortiz, Emily Short, Joseph Mack, Esmeralda Cardenas และ Leanne Trujillo สำหรับการขับเคลื่อนการเปิดตัว