Performance Management ในยุค AI — ทำไมการประเมินแบบเดิมไม่เหมาะสมอีกต่อไป
บทนำ: เมื่อ Performance Review กำลังต้องนิยามใหม่ว่า "ใคร" กำลังถูกประเมิน
ลองนึกถึงสถานการณ์นี้: พนักงานส่ง deliverable ที่ได้รับการช่วยเหลือจาก AI อย่างมีนัยสำคัญ
ร่างรายงาน, วิเคราะห์ข้อมูล, สรุปผลการประชุม
Manager ประเมิน "ผลลัพธ์" และให้คะแนนสูง แต่ความจริงคือ: สิ่งที่ Manager กำลังวัดคือ "output ของ AI" หรือ "judgment, creativity, และ collaboration ของพนักงาน"?
นี่คือหนึ่งในคำถามที่ยากที่สุดที่ HR กำลังเผชิญในปี 2026 และ
Gartner ระบุอย่างชัดเจนว่า Performance Management จะ "มนุษย์น้อยลง" (less human) ด้านกระบวนการ และ "มนุษย์มากขึ้น" (more human) ด้านการตัดสินใจ พร้อมกัน — และองค์กรที่ไม่เข้าใจความแตกต่างนี้กำลังเดินสู่ความเสี่ยงที่หลีกเลี่ยงได้
Gartner ยังออกรายงานล่าสุด (22 เม.ย. 2026) เรื่อง "HR Leaders Must Evolve Pay for Performance in the Age of AI" ซึ่งส่งสัญญาณชัดว่า การปรับ Performance Management ไม่ใช่แค่ตัวเลือก — แต่คือ strategic imperative สำหรับปี 2026
Performance Management ในยุค AI กำลังเปลี่ยนไปอย่างไร?
Gartner อธิบาย trend นี้ผ่านกรอบ "Less Human + More Human" ซึ่งเกิดขึ้นพร้อมกันใน 2 มิติ:
มิติที่ 1: "มนุษย์น้อยลง" — AI รับงาน Administrative และ Analytical
งาน Performance Management ที่ AI สามารถทำได้ดีขึ้น (และกำลังถูก adopt อย่างรวดเร็ว):
งานที่ AI ช่วยได้ชัดเจน:
- รวบรวมและสังเคราะห์ข้อมูล performance จากหลายแหล่ง (project system, communication tools, OKR platform)
- ช่วย draft performance summary จาก raw data
- flag patterns ที่น่าสนใจ เช่น ความสม่ำเสมอของ output หรือ outlier ที่ผิดปกติ
- ลด calibration bias โดยการให้ข้อมูล benchmark เชิงข้อเท็จจริง
- สร้าง Development Recommendation จาก skills gap ที่ระบบตรวจพบ
ผลที่วัดได้: Gartner survey (ธ.ค. 2025) พบว่า Manager ประหยัดเวลาเฉลี่ย 4 ชั่วโมง ต่อ performance cycle เมื่อใช้ AI ใน performance management กระบวนการต่างๆ
มิติที่ 2: "มนุษย์มากขึ้น" — Manager ต้องใช้ Human Judgment มากและดีขึ้น
ในขณะที่ AI รับงาน admin ไป สิ่งที่เหลืออยู่สำหรับ Manager คือ:
งานที่ต้องการ Human Judgment สูง:
- ตีความ context ของ performance ที่ตัวเลขบอกไม่ได้ (สถานการณ์ส่วนตัว, ความซับซ้อนของโปรเจกต์)
- coaching สนทนาที่ลึกและเชื่อมกับแรงจูงใจของพนักงานจริงๆ
- การตัดสินใจ final บน pay, promotion, succession ที่มีผลต่อชีวิตคน
- การ navigate difficult conversation เมื่อผลประเมินไม่ตรงกับความคาดหวัง
- การ calibrate ว่า "ผลลัพธ์" ที่เห็นมาจาก effort และ judgment ของพนักงานจริง หรือจาก AI
Gartner เน้นย้ำว่า: "AI ควรเป็น input ต่อการตัดสินใจของ Manager ไม่ใช่การแทนที่ — Manager ต้องยังรับผิดชอบต่อการประเมินผลขั้นสุดท้ายเสมอ"
อะไรทำให้ Performance Management ต้องเปลี่ยนในปี 2026?
1. AI เปลี่ยน "อะไรที่ควรนับว่าเป็นผลงานของคน"
เมื่อพนักงานใช้ AI ช่วยทำงาน output ที่ได้อาจดีกว่าความสามารถเดิมของพนักงานคนนั้นมาก McKinsey รายงาน (เม.ย. 2026) ว่า 76% ของพนักงานใช้ AI ในการทำงานในรูปแบบใดรูปแบบหนึ่งในปี 2025 เพิ่มขึ้นจาก 30% ในปี 2023 หมายความว่าระบบ performance management ที่วัดแค่ "output" โดยไม่แยกว่ามาจาก human effort หรือ AI-augmented effort กำลังให้ข้อมูลที่ misleading มากขึ้นเรื่อยๆ
2. Manager กำลัง Experiment โดยไม่มี Guardrails
Gartner survey (ก.ค. 2025) พบว่า 46% ของ Manager กำลัง experiment ใช้ AI ในการปรับปรุงงานของตัวเอง เทียบกับ 26% ของพนักงานทั่วไป — นั่นหมายความว่า Manager กำลัง lead การ adoption ของ AI ใน performance process แต่ มีเพียง 14% ที่บอกว่าไม่มีความท้าทายใดๆ ส่วนที่เหลือกำลังหา best practice ด้วยตัวเองโดยไม่มี framework จาก HR
3. Entry-Level Role ที่หายไปสร้าง Gap ในการ Calibrate
Gartner ระบุว่า entry-level roles กำลังลดลงอย่างมีนัยสำคัญ หมายความว่า career trajectory ของพนักงานจะไม่เป็นเส้นตรงอีกต่อไป ระบบ performance management ที่ถูกออกแบบมาสำหรับ linear career path จำเป็นต้องปรับใหม่เพื่อ accommodate nonlinear growth
4. Pay for Performance ต้องการ "New Logic"
Gartner (22 เม.ย. 2026) ระบุว่าเมื่อ AI เพิ่ม productivity ของ individual worker สมการของ Pay for Performance เปลี่ยนไป องค์กรต้องตัดสินใจว่าจะ reward "AI-augmented output" ในอัตราเดียวกับ "pure human output" หรือไม่ และจะวัด value contribution ของพนักงานอย่างไรในโลกที่ AI ช่วยผลิต output ได้มากขึ้น
5. Bias Risk ที่เพิ่มขึ้นเมื่อ AI เข้ามาใน Process
หากไม่มี guardrails ที่ดี AI ที่ถูกใช้ใน performance assessment สามารถ amplify bias ที่มีอยู่แล้วในข้อมูลได้ Gartner เตือนว่า HR ต้องออกแบบ human-in-the-loop checkpoint ในทุก decision point สำคัญของกระบวนการ
ผลกระทบต่อ HR
ความเสี่ยง Legal และ Compliance
ในหลายประเทศ การใช้ AI ในการตัดสินใจด้านบุคคล (โดยเฉพาะเรื่อง pay, promotion, termination) อยู่ในขอบเขตของ regulation ที่กำลังพัฒนาขึ้นเรื่อยๆ องค์กรที่ deploy AI ใน performance process โดยไม่มี audit trail, explainability framework, หรือ human accountability ชัดเจน กำลังสะสม legal exposure อย่างไม่รู้ตัว
ความเสี่ยงต่อ Trust และ Fairness
พนักงานที่รู้ว่า performance ของตนถูกประเมินโดย AI (หรือ AI-assisted) จะมีความต้องการ transparency สูงกว่าเดิม Gartner พบว่า Manager ที่ใช้ AI ใน performance management แต่ไม่ได้ disclose กับทีม สร้างความไม่ไว้ใจได้อย่างรวดเร็วเมื่อพนักงานค้นพบทีหลัง
ผลกระทบต่อ Manager Effectiveness
ถ้า Manager ใช้เวลาที่ประหยัดได้จาก AI ไปรับงาน admin อื่นเพิ่ม แทนที่จะลงทุนกับ coaching ที่ลึกขึ้น — ประโยชน์ของ AI ใน performance management จะไม่ถูก realize ในแง่ของ people development แม้ productivity จะดูดีในระยะสั้น
ความเสี่ยงต่อ Talent Equity
พนักงานที่ access AI tools ได้ดีกว่า หรือเก่งในการ prompt AI มากกว่า อาจได้ performance score สูงกว่าโดยไม่ได้มี underlying capability สูงกว่าจริง ทำให้ระบบ performance management สร้าง inequity ในรูปแบบใหม่
แนวทางนำไปใช้สำหรับ HR
Gartner แนะนำ 4 ขั้นตอนในการ evolve Performance Management สำหรับยุค AI:
Step 1: Map ว่า AI กำลังถูกใช้ใน Performance Process ที่จุดไหนแล้ว
ก่อนออกแบบ framework ใหม่ HR ต้องเข้าใจก่อนว่า ณ ปัจจุบัน Manager ในองค์กรกำลังใช้ AI ทำอะไรบ้างใน performance process — เพราะจากข้อมูล Gartner, Manager 46% กำลัง experiment อยู่แล้ว
สิ่งที่ต้องทำ:
- ทำ quick survey กับ Manager: "คุณใช้ AI ช่วยทำอะไรใน performance management บ้าง?"
- Inventory use cases ที่เกิดขึ้นแล้ว แยกตาม: established (ปลอดภัย, widespread), experimental (กำลังทดลอง), controversial (ต้องระวัง)
- ระบุ decision points ที่ AI กำลัง influence ผลลัพธ์ที่มีผลต่อคนจริงๆ
Step 2: กำหนด AI Use Cases ที่ Appropriate vs. Off-Limits
ไม่ใช่ทุก AI application ใน performance management มีความเสี่ยงเท่ากัน HR ต้องสร้าง clear policy ว่าอะไรทำได้ อะไรต้องระวัง และอะไรห้ามทำ
Step 3: Re-Define "What Counts as Performance" ในยุค AI-Augmented Work
นี่คือ intellectual work ที่สำคัญที่สุดที่ HR และ Business leaders ต้องทำร่วมกัน:
คำถามที่ต้องตอบ:
- เราจะวัด "AI-augmented output" แตกต่างจาก "pure human output" อย่างไร?
- Dimensions ใดบ้างที่ต้องเพิ่มเข้าไปในระบบประเมิน เช่น judgment quality, collaboration, learning agility, ethical use of AI?
- เราจะ reward "การเรียนรู้และ upskilling" ไม่ใช่แค่ output ในระยะสั้นอย่างไร?
Recommended Dimensions ใหม่:
- Judgment Quality: การตัดสินใจสำคัญถูกต้องและสมเหตุสมผลหรือไม่
- AI Leverage: ใช้ AI ได้อย่างมีประสิทธิภาพและมีความรับผิดชอบหรือไม่
- Human Contribution: collaboration, mentoring, และ stakeholder relationship ที่ AI ทำแทนไม่ได้
- Adaptability: เรียนรู้ทักษะใหม่และปรับตัวต่อเครื่องมือใหม่ได้เร็วแค่ไหน
Step 4: Equip Manager ให้ใช้ AI ได้อย่าง Responsible
เนื่องจาก Manager 46% กำลัง experiment โดยไม่มี guidance Gartner เน้นว่า HR ต้องกลับมา "enable" Manager อย่างเป็นระบบ
สิ่งที่ต้องสร้าง:
- AI in Performance Management Playbook: คู่มือที่บอกชัดเจนว่าใช้อะไรได้ ใช้อย่างไร และต้อง disclose อะไรกับพนักงาน
- Prompting Guidelines: ตัวอย่าง prompts ที่ดีสำหรับการ draft evaluation โดยไม่ให้ AI generate final judgment
- Calibration Training: ฝึก Manager ให้ calibrate ระหว่าง AI-generated data กับ qualitative observation ของตัวเอง
- Human Checkpoint Protocol: กำหนดว่า decision ใดบ้างที่ Manager ต้อง sign off ด้วยตัวเอง โดยไม่สามารถ delegate ให้ AI ได้
ข้อควรระวังและสิ่งที่ไม่ควรทำ
❌ อย่า deploy AI ใน performance process โดยไม่มี policy ที่ชัดเจนก่อน — จาก 46% ของ Manager ที่กำลัง experiment อยู่แล้ว องค์กรที่ไม่ act จะเผชิญกับ fragmented, inconsistent practice ที่สร้าง legal และ equity risk
❌ อย่าคิดว่าการ save เวลาของ Manager คือ "win" โดยอัตโนมัติ — เวลาที่ประหยัดได้ต้องถูก reinvest ใน meaningful coaching interactions ไม่ใช่แค่รับงาน admin อื่นมาแทน
❌ อย่าใช้ AI generate final performance rating หรือ ranking โดยตรง — Gartner ชัดเจนว่า AI ควรเป็น "input to managerial judgment" เท่านั้น การให้ AI เป็น decision maker สุดท้ายใน high-stakes HR decisions เป็น risk ที่ไม่คุ้มค่า
❌ อย่าวัด performance แค่ output ในยุค AI — ถ้าองค์กรของคุณยังวัดแค่ "ผลลัพธ์" โดยไม่ดู "how" คุณกำลัง reward AI efficiency ไม่ใช่ human capability
❌ อย่าลืม Equity Check — AI ที่ถูก deploy ใน performance process อาจสร้าง digital divide ระหว่างพนักงานที่ access และใช้ AI ได้ดีกับคนที่ทำไม่ได้ HR ต้องออกแบบระบบให้ fair
สรุป + Action Checklist สำหรับ HR
ทำไม Performance Management ในยุค AI ถึงเป็นประเด็นปี 2026:
เพราะ 76% ของพนักงานใช้ AI ในงานแล้ว ในขณะที่ระบบ performance management ส่วนใหญ่ยังถูกออกแบบมาสำหรับ "pure human output" ช่องว่างนี้กำลังสร้าง measurement validity problem, equity risk, และ legal exposure ที่ HR ต้องรีบ address ก่อนที่ next performance cycle จะมาถึง
✅ Action Checklist (ทำได้ใน 90 วัน):
- [ ] สำรวจ Manager: AI กำลังถูกใช้ใน performance process ที่จุดไหนแล้ว?
- [ ] สร้าง AI in Performance Management Policy: Appropriate vs. Off-Limits use cases
- [ ] Re-define performance dimensions ให้รวม judgment quality, AI leverage, human contribution
- [ ] สร้าง "AI in PM Playbook" สำหรับ Manager พร้อม prompting guidelines และ human checkpoint protocol
- [ ] Audit ระบบ performance management ปัจจุบัน: มีจุดไหนที่ AI influence อยู่แล้วโดยไม่มี oversight?
- [ ] ออกแบบ Calibration process ใหม่ที่ integrate AI-generated data กับ human observation
- [ ] ตั้ง working group ร่วมกับ Legal/Compliance เพื่อ address regulatory risk ของ AI ใน PM
- [ ] สื่อสารกับ Manager และพนักงานว่า AI จะถูกใช้ในกระบวนการอย่างโปร่งใส
Key Takeaways:
- Performance Management กำลัง "มนุษย์น้อยลง" (AI รับงาน admin) และ "มนุษย์มากขึ้น" (Manager coaching ลึกขึ้น) พร้อมกัน
- 46% ของ Manager experiment AI ใน PM อยู่แล้ว — HR ต้อง catch up ด้วย policy ก่อน chaos เกิด
- AI ต้องเป็น "input to judgment" ไม่ใช่ "replacement of judgment" เสมอ
- Pay for Performance ต้องปรับ logic ใหม่เพื่อวัด human contribution ที่แท้จริงในยุค AI-augmented work
- Equity lens จำเป็น: ป้องกันไม่ให้ AI literacy gap กลายเป็น performance gap ที่ไม่ยุติธรรม
📎 แหล่งอ้างอิง (Sources):
- Gartner — Gartner Identifies Four Trends Talent Management Leaders Should Prepare for in 2026
- Gartner — HR Survey: 45% of Managers Report AI Has Lived Up to Their Expectations (Mar 2026)
- Gartner — HR Leaders Must Evolve Pay for Performance in the Age of AI (Apr 2026)
- Gartner — AI in Performance Management: Established, Experimental and Controversial Use Cases (Feb 2026)
- Gartner — Four Steps to Evolve Performance Management for AI-Driven Work (Aug 2025)
- McKinsey — How AI Is—and Isn't—Changing the Future of Work (Apr 2026)
- HBR — 9 Trends Shaping Work in 2026 and Beyond
