สมมติว่าคุณมีพนักงาน 2 คนในทีม ทั้งคู่ได้โจทย์เดียวกัน — สรุปข้อมูลลูกค้า 50 ราย แล้วทำ proposal ส่ง management ทั้งคู่ใช้ AI tool เดียวกัน ผ่าน training เดียวกัน
- คน A: เสร็จใน 45 นาที ผลงานมี insight ชัดเจน มี recommendation ที่ actionable ผู้บริหารอ่านแล้วตัดสินใจได้เลย
- คน B: ใช้เวลา 3 ชั่วโมง ผลออกมาเป็น generic summary ไม่มี insight ใหม่ ต้องมาแก้อีกรอบ
คำถามที่ผู้บริหารหลายคนถามตัวเอง: "ทั้งสองคนใช้ AI เหมือนกัน แล้วต่างกันตรงไหน?"
คำตอบ: ไม่ได้ต่างที่ 'เทคนิคการใช้ AI' แต่ต่างที่ 'พฤติกรรมการทำงาน' — คน A มี work habits บางอย่างที่ทำให้ทำงานร่วมกับ AI ได้ดีกว่า ก่อนจะเปิด AI ด้วยซ้ำ
บทความนี้จะพาคุณวิเคราะห์ปรากฏการณ์นี้ผ่าน 5 พฤติกรรม (Behavioral Lens) ที่อธิบายได้ว่าทำไมคนใช้ AI เดียวกัน แต่ได้ผลลัพธ์ต่างกันถึง 10 เท่า
ทำไมเทคนิคเดียวกัน ผลลัพธ์ต่างกัน? ข้อมูลจากงานวิจัยระดับโลก
ก่อนจะเข้าเรื่อง 5 พฤติกรรม มาดูหลักฐานจากงานวิจัยก่อนว่า "ความต่าง" นี้เกิดขึ้นจริง และมีขนาดใหญ่แค่ไหน
จากการทดลองของ BCG ร่วมกับมหาวิทยาลัยชั้นนำ ที่ศึกษาที่ปรึกษาหลายร้อยคนใน 18 ประเภทงาน พบว่าคนที่ใช้ AI ทำงานได้ เร็วกว่า 25.1% ผลงาน มากกว่า 12.2% และคุณภาพ สูงกว่า 40%
แต่สิ่งที่น่าสนใจกว่าตัวเลขเฉลี่ยคือ ความแตกต่างระหว่างคนในกลุ่มเดียวกัน — บางคนได้ performance boost มหาศาล ในขณะที่บางคนแทบไม่ได้ประโยชน์เพิ่มเลย ทั้งที่ใช้เครื่องมือเดียวกัน
งานวิจัยนี้ยังพบอีกว่า คนที่มี "engineering mindset" หรือวิธีคิดเชิงระบบ ทำงานกับ GenAI ได้ดีกว่า แม้ในงานที่ไม่เกี่ยวกับเทคนิคเลย — ซึ่งหมายความว่า "วิธีคิด" สำคัญกว่า "วิธีพิมพ์" อย่างชัดเจน
McKinsey (2026) รายงานว่าสัดส่วนพนักงานที่ใช้ AI ในการทำงานเพิ่มขึ้นจาก 30% ในปี 2023 เป็น 76% ในปี 2025 — แต่ productivity ขององค์กรโดยรวมยังไม่เพิ่มขึ้นในสัดส่วนเดียวกัน เพราะ ไม่ใช่ทุกคนที่ใช้ AI แล้วได้ผล
คำถามจึงกลายเป็น — อะไรคือตัวแปรที่ทำให้คนบางคนใช้ AI ได้ดี ในขณะที่คนอื่นใช้แล้วก็เท่าเดิม?
5 พฤติกรรมการทำงานที่สร้างความต่าง (Behavioral Lens)
จากการวิเคราะห์งานวิจัยและประสบการณ์ทำงานร่วมกับองค์กรชั้นนำ เราพบว่าความต่างไม่ได้อยู่ที่ เทคนิคหรือเครื่องมือ แต่อยู่ที่ พฤติกรรมการทำงาน 5 ด้าน ที่สังเกตได้ — และทั้ง 5 ข้อนี้มีอยู่ก่อนที่จะเปิด AI ด้วยซ้ำ
พฤติกรรมที่ 1: "แบ่งก่อนทำ" — Work Decomposition
คน A มีนิสัยจัดโครงสร้างงานก่อนลงมือ — ไม่ว่าจะทำเอง มอบหมายลูกทีม หรือใช้ AI
เมื่อได้โจทย์ "สรุปข้อมูลลูกค้า 50 ราย แล้วทำ proposal" คน A จะ:
- แยกว่าอะไร AI ทำได้ดี (clean data, หา pattern) อะไรต้องใช้คน (business judgment, strategy)
- กำหนดลำดับ — ให้ AI ทำ step 1 ก่อน แล้วคนตรวจ ก่อนไป step 2
- วาง output format ล่วงหน้า — ต้องการ executive summary กี่หน้า เน้นอะไร
ในขณะที่ คน B มักรีบลงมือทันที — เปิด AI แล้วพิมพ์คำสั่งยาวๆ ประโยคเดียว หวังว่า AI จะเข้าใจทุกอย่าง ผล คือ ได้ Output ที่ Generic ไม่ตรงจุด
สิ่งสำคัญ: พฤติกรรม "แบ่งก่อนทำ" นี้เกิดขึ้นก่อนจะเปิด AI ด้วยซ้ำ — มันคือนิสัยการทำงานที่ฝังอยู่ในตัว
💡 สังเกตได้จาก: วิธีที่คนคนนั้น brief งานลูกทีม / วิธีเขียน to-do list / วิธีวางแผนงานก่อน deadline
พฤติกรรมที่ 2: "ตั้งโจทย์ชัด" — Problem Framing
คน A ชินกับการถามตัวเองว่า "ต้องการอะไรจริงๆ" ก่อนเริ่มงาน — ทั้งกับคนและกับ AI
เปรียบเทียบชัดๆ:
- ❌ คน B: "สรุปข้อมูลลูกค้าให้หน่อย" → AI สรุปแบบผิวเผิน ไม่รู้จะเน้นอะไร
- ✅ คน A: "สรุป key findings 3 ข้อจากข้อมูลลูกค้า 50 ราย โดยเน้น purchase frequency และ lifetime value เพื่อแนะนำ retention strategy สำหรับ present board ในรูปแบบ executive summary ไม่เกิน 2 หน้า" → AI ตอบได้ตรงจุด
ความต่างนี้ไม่ได้เกิดจาก prompt engineering แต่เกิดจาก นิสัยการตั้งโจทย์ ที่คน A มีอยู่แล้ว — คนที่ brief ลูกทีมเก่ง ก็จะ brief AI เก่งเช่นกัน
จากผลสำรวจ Korn Ferry TA Trends 2026 ที่สำรวจผู้นำด้าน talent acquisition กว่า 1,674 คนทั่วโลก พบว่า 73% จัดอันดับ critical thinking เป็นทักษะอันดับ 1 ที่ต้องการในการจ้างงานปี 2026 สูงกว่า AI skills ที่อยู่อันดับ 5 — สะท้อนว่าตลาดเริ่มเห็นความจริงนี้แล้ว
💡 สังเกตได้จาก: ความสามารถในการตั้งคำถามที่ดีในที่ประชุม / การเขียน brief ที่ชัดเจน / วิธีที่คนคนนั้นอธิบายสิ่งที่ต้องการให้คนอื่นเข้าใจ
พฤติกรรมที่ 3: "คิดเชิงหลักการ" — Conceptual Thinking
คน A เข้าใจ "ทำไม" มากกว่า "ทำอย่างไร" — เมื่อวิธีเดิมไม่ work ก็ปรับจากหลักการได้
ในโลกที่ AI เปลี่ยนทุก 3 เดือน — ChatGPT, Claude, Gemini, Copilot ออก version ใหม่เรื่อยๆ — คนที่จำ prompt template จะ outdated ตลอดเวลา
แต่คน A ที่เข้าใจ หลักการ ว่า AI ต้องการ context, constraint, และ expected format จะปรับ approach ได้ทันทีไม่ว่าจะใช้ tool ไหน
💡 สังเกตได้จาก: วิธีที่คนคนนั้นอธิบายงานให้คนอื่น (สอนด้วยหลักการ vs สอนด้วยสูตร) / เมื่อเจอปัญหาใหม่ ใช้ประสบการณ์เดิมประยุกต์ได้หรือไม่
พฤติกรรมที่ 4: "ตรวจสอบเชิงวิพากษ์" — Critical Evaluation
คน A มี default behavior คือ "ตั้งคำถามกับผลลัพธ์" ก่อนเชื่อ — ไม่ว่าข้อมูลจะมาจากใคร
นี่คือความแตกต่างที่อันตรายที่สุดถ้าขาด — เพราะ AI ยังมี hallucination (สร้างข้อมูลที่ดูน่าเชื่อถือแต่ไม่จริง)
รายงานจาก University of Bath (2026) เตือนว่า AI กำลังคุกคาม critical thinking ในที่ทำงาน — เพราะเมื่อ AI ให้คำตอบที่ดูดี คนมีแนวโน้มจะ "เชื่อ" โดยไม่ตรวจสอบ
ตัวอย่าง: AI สรุปว่า "ลูกค้ากลุ่ม A มี retention rate 95% สูงกว่าค่าเฉลี่ยอุตสาหกรรมที่ 70%"
- คน A จะถามต่อ: "70% มาจากไหน? ปีไหน? อุตสาหกรรมไหน? 95% นับรวม inactive customers มั้ย?" → ได้ข้อมูลที่แม่นยำขึ้น
- คน B จะ copy ตัวเลขไปใส่ report ตรงๆ → ถ้าเป็น hallucination อาจนำไปสู่การตัดสินใจที่ผิดพลาด
คนที่ขาดทักษะนี้ ยิ่งใช้ AI เก่ง ยิ่ง อันตราย — เพราะจะ "scale ความผิดพลาดได้เร็วขึ้น"
💡 สังเกตได้จาก: วิธี review งานลูกทีม / พฤติกรรมเมื่อเจอข้อมูลที่ "ดูดีเกินไป" / มีนิสัย fact-check หรือไม่
พฤติกรรมที่ 5: "ลองแล้วปรับ" — Iterative Experimentation
คน A มี growth mindset — มองว่าผลลัพธ์แรกคือ "draft" ไม่ใช่ "final" → ปรับจนดี
นี่คือพฤติกรรมที่ทำให้ผลลัพธ์ระหว่างคน A กับ B ห่างกันเรื่อยๆ เหมือน compound interest
- คน A: ได้ draft แรกจาก AI → ดูว่าขาดอะไร → เพิ่ม context → ให้ AI ปรับ → ได้ draft ที่ดีขึ้น → ปรับอีกรอบ → ได้ผลลัพธ์ที่ยอดเยี่ยม (iterate 3-4 รอบ)
- คน B: ได้ผลอะไรมาก็ใช้อันนั้น หรือถ้ารู้สึกว่าไม่ work ก็เลิกใช้ AI เลย แล้วสรุปว่า "AI ไม่เวิร์กกับงานแบบนี้"
จากรายงาน BCG เรื่อง "AI Brain Fry" (2026) ที่ตีพิมพ์ใน Harvard Business Review พบว่าการใช้ AI มากเกินไปโดยไม่มี "กลยุทธ์" อาจนำไปสู่ cognitive fatigue ได้ — แต่คนที่ iterate อย่างมีระบบ (มีเป้าหมายชัดในแต่ละรอบ) กลับไม่มีปัญหานี้ เพราะแต่ละรอบมี purpose ที่ชัดเจน
💡 สังเกตได้จาก: ท่าทีเมื่อได้ feedback / ความเต็มใจลองวิธีใหม่ / จำนวนครั้งที่ iterate ก่อน submit งาน
ทำไม "5 พฤติกรรม" นี้สำคัญกว่าที่คิด?
1. พฤติกรรมเหล่านี้มีอยู่ก่อนจะมี AI ที่ใช้กันทั่วไปในโลกการทำงาน
สิ่งที่หลายองค์กรมองข้าม คือ — ทั้ง 5 พฤติกรรมนี้ไม่ใช่ "AI skill" ที่ต้องไปเรียนใหม่ แต่เป็น work habits หรือ นิสัยการทำงาน ที่พนักงานคนนั้นมีอยู่แล้ว ตั้งแต่ก่อนที่จะมี ChatGPT, Copilot หรือ Claude ด้วยซ้ำ
ลองนึกภาพง่ายๆ ว่า — คนที่ตั้งคำถามเก่งในที่ประชุม, เขียน brief ให้ลูกทีมได้ชัดเจน, รู้ว่าควรแบ่งงานใหญ่เป็นชิ้นย่อยอย่างไร, พยายามหาจุดที่ยังไม่สมบูรณ์ก่อนส่งงานเสมอ, และไม่กลัวที่จะลองวิธีใหม่เมื่อวิธีเดิมไม่ได้ผล
— คนเหล่านี้จะ "ใช้ AI ได้ดีโดยธรรมชาติ" เพราะนำพฤติกรรมที่มีอยู่แล้วมาประยุกต์กับ AI ได้ทันที โดยไม่ต้องเรียนรู้อะไรใหม่มากนัก
ในทางกลับกัน หากพนักงานยัง Brief งานไม่ชัด แยกประเด็นไม่ออก หรือไม่ชินกับการตรวจสอบข้อมูลก่อนนำไปใช้
— การส่งคนคนนั้นไปเรียน "100 prompt templates" ก็จะไม่ได้แก้ที่ต้นเหตุ เพราะปัญหาไม่ได้อยู่ที่ AI แต่อยู่ที่ foundation การทำงาน ที่ยังไม่แข็งแรงพอ
นี่คือเหตุผลที่หลายองค์กรลงทุน AI training อย่างหนัก แต่กลับไม่เห็นผลลัพธ์ที่คาดหวัง — เพราะ gap ที่แท้จริงอยู่ที่ พฤติกรรม ไม่ใช่ที่ เทคนิค และการจะแก้ gap นี้ได้ ต้องเริ่มจากการมองให้เห็นก่อนว่าพนักงานแต่ละคนขาดพฤติกรรมไหน
2. เป็น Transferable Capability ที่ใช้ได้ทั้งกับคนและ AI
จุดที่น่าสนใจที่สุดของ 5 พฤติกรรมนี้ คือ — เป็นทักษะที่ Transfer ได้ ใช้ได้ทั้งกับการทำงานร่วมกับคน และการทำงานร่วมกับ AI
ลองพิจารณาตัวอย่างที่ผู้บริหารหลายท่านน่าจะคุ้นเคย:
เมื่อได้รับมอบหมายให้ดูแลโปรเจกต์ใหญ่ — เช่น "วางแผนเปิดตัวสินค้าใหม่ในไตรมาสหน้า" หรือ "จัด company transformation program" — คนที่พร้อมคิดแบบ manager (ไม่ใช่ junior ที่รอรับคำสั่งทีละขั้น) จะมีวิธีคิดที่ต่างออกไปอย่างชัดเจน เขาจะมองออกได้คล่องกว่าว่า:
- งานใหญ่ชิ้นนี้ ประกอบด้วยงานย่อยอะไรบ้าง — เช่น research ตลาด, ออกแบบ packaging, วาง pricing strategy, เตรียม launch event, สร้าง marketing content, วาง distribution plan ฯลฯ
- แต่ละงานย่อย ต้องการคนเก่งเรื่องอะไร — งาน research ต้องการคนที่อ่านและสังเคราะห์ข้อมูลเก่ง, งาน design ต้องการคนที่มี aesthetic sense, งาน pricing ต้องการคนที่เข้าใจ financial model
- ควรแบ่งให้ใครทำอะไร — match คนที่มี strength กับงานที่เหมาะ ไม่ใช่กระจายงานเท่าๆ กันให้ทุกคน
- Expected outcome ของแต่ละงานคืออะไร — research ต้องได้ insight 3 ข้อพร้อม implication, design ต้องได้ mockup 3 แบบที่ทดสอบกับ target ได้, pricing ต้องได้ recommendation พร้อม sensitivity analysis
ความสามารถในการ "decompose งานใหญ่ + จับคู่ resource กับงานที่เหมาะ + กำหนด expected outcome ที่ชัด" คือทักษะที่ดีของ manager ที่เก่งมาตลอด — และในยุคนี้ ทักษะเดียวกันนี้ สามารถ transfer มาใช้กับ AI ได้โดยตรง
เพราะการทำงานร่วมกับ AI ก็คือการมอบหมายงานให้ "ทีมงานพิเศษ" ที่มีจุดแข็งและจุดอ่อนของตัวเอง — AI ทำงานบางอย่างได้เก่งกว่าคน (เช่น สรุปข้อมูลจำนวนมาก, สร้าง draft แรก, หา pattern ในข้อมูล, แปลภาษา) แต่ทำงานบางอย่างยังไม่เก่งเท่าคน (เช่น judgment เชิงกลยุทธ์, การเข้าใจบริบทเฉพาะขององค์กร, การตัดสินใจที่ต้องคำนึงถึงความรู้สึกของคน, การสร้างความสัมพันธ์)
คนที่มี manager mindset อยู่แล้ว จะมองเห็นทันทีว่า:
- งานย่อยส่วนไหนเหมาะที่จะให้ AI ช่วย ส่วนไหนที่คนต้องทำเอง
- จะ brief AI อย่างไรให้ได้ผลลัพธ์ที่ใช้งานได้ตั้งแต่รอบแรก
- เมื่อ AI ส่งงานกลับมา ต้องตรวจอะไรบ้างก่อนนำไปใช้
- เมื่อผลที่ได้ยังไม่ตรง ต้องปรับ context หรือ constraint ตรงไหน
ในขณะที่คนที่ยังคิดแบบ junior — รอรับคำสั่ง, ทำตามที่บอก, ไม่กล้าตัดสินใจเอง — มักจะใช้ AI แบบ "ส่งคำถามทั้งก้อนแล้วหวังว่า AI จะคืนคำตอบที่ใช้ได้" ซึ่งโดยส่วนใหญ่จะได้ผลลัพธ์ที่ไม่ตรงกับสิ่งที่ต้องการจริงๆ และต้องแก้ไขหลายรอบ
นี่คือเหตุผลที่ผู้บริหารหลายท่านสังเกตเห็นว่า — พนักงานที่ทำงานเก่งอยู่แล้ว เมื่อมี AI ยิ่งเก่งขึ้นแบบก้าวกระโดด ในขณะที่พนักงานที่ยังไม่ค่อยเก่ง การมี AI ก็ไม่ได้ช่วยให้เก่งขึ้นเท่าไร — เพราะ AI เป็น "ตัวคูณ" ที่ขยายผลของสิ่งที่มีอยู่ ไม่ใช่ "ตัวบวก" ที่เติมสิ่งที่ยังไม่มี
นอกจากนั้น ทักษะการ decompose, การ frame โจทย์, การคิดเชิงหลักการ, การตรวจสอบเชิงวิพากษ์ และการ iterate — ทั้ง 5 ข้อนี้ยังเป็นทักษะที่ ไม่ผูกกับ AI tool ใดเป็นพิเศษ ไม่ว่าจะใช้ ChatGPT, Microsoft Copilot, Claude, Gemini หรือ AI tool ใหม่ที่อาจเกิดขึ้นในอีก 2-3 ปีข้างหน้า ทักษะเหล่านี้ก็ยังใช้ได้เหมือนเดิม — เพราะเป็น "วิธีคิด" ไม่ใช่ "วิธีกดปุ่ม"
และยิ่ง AI พัฒนาเร็วและฉลาดขึ้นมากเท่าไร คนที่มี 5 พฤติกรรมนี้ก็จะได้ประโยชน์มากขึ้นเรื่อยๆ แบบทบต้น (compound effect) — เพราะ AI ที่ฉลาดขึ้น ยิ่งต้องการคนที่ "สั่งงานเป็น" และ "ตรวจงานเป็น" มากขึ้น ไม่ใช่ลดลง
3. สามารถวัดได้ผ่าน Behavioral Assessment
ข้อดีอีกประการของ 5 พฤติกรรมนี้คือ — สามารถวัดได้จริง ผ่าน situational-based assessment ที่จำลองสถานการณ์งานจริง
การวัดในรูปแบบนี้ แตกต่างจากการทำ knowledge test หรือ multiple choice ทั่วไป ตรงที่ — ไม่ได้ถามว่า "พนักงานรู้หรือไม่รู้" แต่ดูว่า "พนักงานจะจัดการกับสถานการณ์ต่างๆได้อย่างไร" เมื่อเจอโจทย์จริงในที่ทำงาน
ตัวอย่างคำถามใน situational assessment อาจเป็น:
- "คุณได้รับมอบหมายให้ทำ market analysis ส่งผู้บริหารภายใน 3 วัน คุณจะแบ่งงานนี้อย่างไร ส่วนไหนใช้ AI ช่วย ส่วนไหนต้องทำเอง?"
- "AI ส่ง draft รายงานมาให้คุณ คุณจะตรวจอะไรบ้างก่อนนำไปใช้?"
- "คุณ prompt AI แล้วได้คำตอบที่ไม่ตรงกับสิ่งที่ต้องการ คุณจะปรับ approach อย่างไร?"
คำตอบของแต่ละคนจะสะท้อนพฤติกรรมจริงที่จะแสดงในที่ทำงาน — ไม่ใช่แค่ "รู้คำตอบที่ถูกในข้อสอบ" แต่ "ทำได้จริงเมื่อเจอสถานการณ์จริง"
ผลที่ได้จาก behavioral assessment จึงเป็นข้อมูลที่ actionable มาก — บอกได้ชัดว่าพนักงานคนใดพร้อมแล้ว คนใดต้องพัฒนาพฤติกรรมด้านไหนก่อน และ HR ควร design learning path อย่างไรให้ตรงกับ gap จริงของแต่ละคน ไม่ใช่ส่งทุกคนไปเรียนหลักสูตรเดียวกันโดยไม่ดูบริบท
หลักฐานเพิ่มเติม: ตัวเลขที่ผู้บริหารต้องรู้
Skills Gap ระดับโลก
IDC Workforce Readiness Report (2026) คาดการณ์ว่า กว่า 90% ขององค์กรทั่วโลกจะเผชิญปัญหาขาดแคลนทักษะอย่างรุนแรงภายในปี 2026 โดย skills gap อาจทำให้เกิดความสูญเสียถึง $5.5 trillion จากตลาดโลก
แต่ 94% ของ CEO และ CHRO ระบุว่า AI เป็น top in-demand skill — ในขณะที่ มีเพียง 35% ที่รู้สึกว่าได้เตรียมพนักงานอย่างมีประสิทธิภาพ
ช่องว่างนี้เกิดจากอะไร? ส่วนใหญ่เพราะองค์กร วัดผิดจุด — วัด "ใช้ AI เป็น" แทนที่จะวัด "มีพฤติกรรมการทำงานที่เอื้อต่อการใช้ AI ได้ดี"
Talent Shortage
ManpowerGroup 2026 Talent Shortage Survey สำรวจนายจ้างกว่า 39,000 รายใน 41 ประเทศ พบว่า AI skills กลายเป็นทักษะที่หายากที่สุดเป็นครั้งแรก — 72% ของนายจ้างรายงานว่าหาคนที่มีทักษะนี้ได้ยาก
ในสภาวะที่หาคนจากข้างนอกยาก การ "develop คนข้างใน" จึงสำคัญกว่าเดิม — แต่จะ develop ได้ดี ต้อง รู้ก่อนว่าแต่ละคนขาดพฤติกรรมไหน
AI ≠ Magic Pill
รายงาน McKinsey Superagency Report (2025) ประเมินว่า AI มีศักยภาพสร้างมูลค่าเพิ่ม $4.4 trillion ให้เศรษฐกิจโลก — แต่ศักยภาพนี้จะเกิดขึ้นได้ก็ต่อเมื่อ คนสามารถทำงานร่วมกับ AI ได้อย่างมีประสิทธิภาพ
AI ไม่ใช่ magic pill — มันเป็น "ตัวคูณ" ที่ทำให้คนที่ดีอยู่แล้วดีขึ้นมหาศาล และทำให้คนที่ขาด foundation ก็ยังได้ผลธรรมดา
สิ่งที่องค์กรต้องเปลี่ยนมุมมอง
จาก "สอนเทคนิค AI" เพียงอย่างเดียว → สู่ "วัดพฤติกรรมการทำงาน" ประกอบ
ถ้าคุณเป็นผู้บริหาร, HR, หรือ CHRO ที่กำลังวางแผน AI transformation ให้องค์กร สิ่งที่ต้องเปลี่ยนคือ:
1. เปลี่ยนนิยาม "AI Readiness"
จาก "ใช้ AI tool ได้" → เป็น "มีพฤติกรรมการทำงาน 5 ด้านที่เอื้อต่อการใช้ AI ได้ดี"
2. Assess ก่อน Train
อย่าส่งทุกคนไปเรียน AI training เดียวกัน เพราะ gap ของแต่ละคนไม่เหมือนกัน ต้อง assess ก่อนว่าแต่ละคนมี 5 พฤติกรรมระดับไหน
- คนที่มี foundation ดี → ส่งเรียน AI training ได้เลย จะได้ผลเต็มที่
- คนที่ foundation ยังอ่อน → ต้อง develop พฤติกรรมก่อน แล้วค่อยส่งเรียน
3. วัดด้วย Behavioral Assessment ไม่ใช่ Knowledge Test
5 พฤติกรรมนี้วัดได้ผ่าน situational-based assessment — ให้โจทย์จริงแล้วดูว่าคนแบ่งงานอย่างไร ตั้งโจทย์ชัดแค่ไหน ตรวจผลเป็นหรือไม่ iterate กี่รอบ
ไม่ใช่ถามว่า "Prompt engineering คืออะไร" แต่ดูว่า "เจอโจทย์จริงแล้วทำยังไง"
สรุป: องค์กรควรเริ่มจากการ"วัดพฤติกรรมก่อน ไม่ใช่เพียงสอนเทคนิค" ให้กับพนักงานในองค์กรในการใช้ AI
ความแตกต่างระหว่าง คน A กับ คน B มีอยู่ก่อนจะมี AI — เป็นเรื่องของ work habits, วิธีคิด, และนิสัยการทำงาน
ดังนั้น การส่งทุกคนไปเรียน AI training เดียวกัน → ไม่แก้ปัญหา เพราะ gap ที่แท้จริงอยู่ที่ พฤติกรรม ไม่ใช่ที่ เทคนิค
สิ่งที่องค์กรต้องทำคือ:
- Assess พฤติกรรมการทำงาน — ก่อนอื่นใด รู้ก่อนว่าแต่ละคนมี gap ตรงไหน
- Develop พฤติกรรมพื้นฐาน — สำหรับคนที่ยังขาด foundation ต้อง build ก่อน
- Train AI skills — เมื่อ foundation แข็งแล้ว การเรียน AI จะได้ผลเต็มที่
ลำดับ Assess → Develop → Train ไม่ใช่ Train → แล้วหวังว่าจะได้ผล
อยากรู้ว่าทีมคุณเป็นแบบ A หรือ B?
TalentSphere x Pragma: LAI-Readiness Assessment มุ่งวัดมิติของ Human-AI Collaboration — ทำให้เห็นภาพชัดว่าใครพร้อม ใครต้องพัฒนาอะไร และควรเริ่มจากตรงไหน
ผ่าน Situational-based assessment ที่จำลองสถานการณ์งานจริง เพื่อวัดที่พฤติกรรม ไม่ใช่ข้อสอบ Multiple Choice หรือ Prompt โดยทั่วไป — ได้ข้อมูลที่แม่นยำและเอาไปทำได้จริง
ผลที่ได้:
- Individual Report — แต่ละคนรู้จุดแข็ง/จุดที่ต้องพัฒนาใน 5 มิติ
- Team Heatmap — เห็นภาพรวมว่าทีมไหนพร้อม ทีมไหนต้อง develop
- Actionable Roadmap — แผนพัฒนาที่ customize ตาม gap จริงของแต่ละคน
ติดต่อเราเพื่อทำ Capability Assessment ความพร้อมในการใช้ AI ในการทำงาน ได้ที่ Contact
