เทคโนโลยีและผลกระทบต่อแรงงานในมุมมองทางเศรษฐศาสตร์

เทคโนโลยีสมัยใหม่ โดยเฉพาะอย่างยิ่งปัญญาประดิษฐ์ (Artificial Intelligence: AI) กำลังเปลี่ยนแปลงโลกการทำงานอย่างรวดเร็ว ในระยะสั้น เทคโนโลยีมักจะแสดงผลด้านบวกอย่างเด่นชัด เช่น ช่วยเพิ่มการผลิตและการเติบโตทางเศรษฐกิจ ประเทศที่สามารถนำเทคโนโลยีมาปรับใช้ได้รวดเร็วมักจะก้าวขึ้นเป็นผู้นำและมีความได้เปรียบเหนือประเทศอื่น 

อย่างไรก็ตาม ความตื่นเต้นต่อความก้าวหน้าของเทคโนโลยีมักทำให้เรามองข้ามผลกระทบในระยะยาว โดยเฉพาะต่อแรงงานที่ต้องเผชิญกับความท้าทาย และใช้เวลาในการปรับตัวให้เข้ากับเทคโนโลยีใหม่  

บทความนี้จึงจะกล่าวถึงผลกระทบของเทคโนโลยีต่อแรงงานทั้งในด้านบวกและด้านลบ รวมทั้งนำเสนอสมมติฐานทางเศรษฐศาสตร์ว่าเทคโนโลยีแต่ละประเภท จะส่งผลกระทบต่อแรงงานแต่ละกลุ่มอย่างไร พร้อมทั้งยกตัวอย่างงานวิจัยที่เกี่ยวข้องเพื่อให้ผู้อ่านเห็นภาพชัดเจนมากยิ่งขึ้น

ตัวอย่างผลกระทบของเทคโนโลยีต่อแรงงาน

ในด้านบวกนั้น เทคโนโลยีทำให้เกิดการสร้างงานใหม่ที่ไม่เคยมีมาก่อน (Job Creation) ในสมัยก่อน อาชีพที่ได้รับความนิยมมักจะเป็นอาชีพที่มั่นคง เช่น แพทย์ หรือ ข้าราชการ แต่ในปัจจุบัน เทคโนโลยีเปิดโอกาสให้คนรุ่นใหม่มีทางเลือกในการประกอบอาชีพที่หลากหลายและทันสมัยมากขึ้น เช่น การเป็น Content Creator บนสื่อต่าง ๆ  

นอกจากนี้ เทคโนโลยีได้เข้ามาช่วยลดภาระงาน ที่มีลักษณะซ้ำซากและต้องทำเหมือนเดิมทุกวัน ด้วยการนำระบบอัตโนมัติมาใช้แทนแรงงานคน (Automation) เช่น จากเดิมที่โรงงานผลิตสินค้าจำเป็นต้องใช้แรงงานคนในทุกกระบวนการ ตั้งแต่การคัดแยกผลผลิต บรรจุสินค้า ตลอดจนเคลื่อนย้ายของเข้าสู่โกดัง แต่ปัจจุบัน เครื่องจักรและหุ่นยนต์สามารถทำงานเหล่านี้แทนคนได้ เทคโนโลยีจึงไม่เพียงช่วยลดเวลาในการทำงาน แต่ยังลดความผิดพลาดอีกด้วย 

ด้วยเหตุนี้ เทคโนโลยีจึงช่วยเพิ่มผลิตภาพ (Productivity) ในการทำงาน ทำให้สามารถผลิตสินค้าและบริการได้มากขึ้นในเวลาเท่าเดิม อีกทั้งยังเพิ่มประสิทธิภาพ (Efficiency) ในการใช้ทรัพยากร ทั้งในรูปของเวลา แรงงาน และเงินทุน พนักงานจึงสามารถจัดสรรเวลาไปทำงานสำคัญอื่น ๆ ที่ยากและซับซ้อนกว่าเดิมได้ องค์กรก็จะสามารถทำงานได้อย่างรวดเร็ว ใช้ทรัพยากรอย่างคุ้มค่า และลดต้นทุนในระยะยาว 

อย่างไรก็ดี เทคโนโลยีไม่ได้เพียงเพิ่มโอกาสใหม่ ๆ แต่ยังเปลี่ยนแปลงโครงสร้างการทำงานในหลายอุตสาหกรรม ทำให้อาชีพบางประเภทถูกลดความสำคัญ หรือเกิดการสูญเสียงาน (Job Displacement) เช่น งานในสายการผลิตที่แรงงานถูกแทนที่ด้วยเครื่องจักร หรือ การลดบทบาทของพนักงานโอนสายโทรศัพท์เพราะมีระบบอัตโนมัติเข้ามาแทนที่ 

เมื่อเทคโนโลยีพัฒนาไปเร็วกว่าทักษะและการศึกษาของแรงงาน ก็จะส่งผลให้ทักษะและการศึกษาของแรงงานไม่สอดคล้องกับความต้องการของตลาด (Skill and Education Mismatch) ในอดีต ทักษะพื้นฐานด้านความรู้ทางทฤษฎี หรือการใช้งานคอมพิวเตอร์ทั่วไปอาจเพียงพอสำหรับการทำงาน 

แต่เมื่อ AI และเทคโนโลยีขั้นสูงเข้ามามีบทบาทมากขึ้น นายจ้างก็อาจมองหาทักษะเฉพาะด้านมากขึ้น ที่แรงงานรุ่นใหม่อาจมีคุณสมบัติไม่เพียงพอ แรงงานจำนวนมากจึงต้องยอมทำงานที่ไม่ตรงกับสาขาวิชาที่เรียน หรือเสียเวลาในการพัฒนาทักษะเพิ่มเติม 

ในขณะเดียวกัน นายจ้างเองก็ต้องลงทุนในการฝึกอบรมพนักงาน หรือในบางกรณีก็ไม่สามารถหาคนที่มีทักษะตรงตามความต้องการได้ ซึ่งย่อมส่งผลเสียต่อประสิทธิภาพขององค์กรและเศรษฐกิจโดยรวม 

นอกจากนี้ ยังพบว่า เทคโนโลยีทำให้ความเหลื่อมล้ำ (Inequality) โดยเฉพาะด้านรายได้เพิ่มสูงขึ้น  แรงงานที่มีทักษะเฉพาะหรือเป็นที่ต้องการของตลาด จะได้รับค่าตอบแทนสูงขึ้นและมีโอกาสในตลาดแรงงานที่ดีกว่า ในขณะที่แรงงานที่ไม่สามารถปรับตัวให้ทันกับความเปลี่ยนแปลงของเทคโนโลยี อาจถูกลดค่าจ้าง ถูกเลิกจ้าง หรือ เผชิญกับตัวเลือกในอาชีพที่จำกัด 

ช่องว่างระหว่างรายได้ของแรงงานสองกลุ่มจึงกว้างขึ้นเรื่อย ๆ หากไม่มีมาตรการสนับสนุน เช่น การฝึกอบรมพัฒนาทักษะ หรือการเปิดโอกาสให้เข้าถึงเทคโนโลยีอย่างเท่าเทียม แรงงานกลุ่มที่เสียเปรียบอาจต้องหลุดออกจากระบบเศรษฐกิจ และขาดโอกาสในการพัฒนาคุณภาพชีวิต

มุมมองทางเศรษฐศาสตร์ : สมมติฐานเกี่ยวกับผลของเทคโนโลยีต่อความต้องการแรงงาน 

ในมุมมองทางเศรษฐศาสตร์ มีสองสมมติฐานที่จะมาช่วยอธิบายว่า เทคโนโลยีส่งผลต่อความต้องการแรงงานแต่ละประเภทอย่างไร

1. Skill-Biased Technological Change (SBTC)  

สมมติฐานนี้ระบุว่า เทคโนโลยีส่งผลกระทบต่อแรงงานที่มีทักษะ (Skilled Labor) และ ไม่มีทักษะ  (Unskilled Labor) แตกต่างกัน เนื่องจากเทคโนโลยีสมัยใหม่ มักต้องการผู้ที่มีความรู้และทักษะเฉพาะเพื่อใช้งาน หรือ ควบคุมระบบเหล่านั้น ส่งผลให้แรงงานที่มีทักษะ (ทั้งทักษะสูงและปานกลาง) เป็นที่ต้องการเพิ่มขึ้น ค่าจ้างของแรงงานกลุ่มนี้จึงเพิ่มขึ้นด้วย 

ในขณะเดียวกัน แรงงานที่ไม่มีทักษะก็มีแนวโน้มถูกแทนที่ด้วยเครื่องจักร หรือ ระบบอัตโนมัติ สูญเสียโอกาสในตลาดแรงงานและมีค่าจ้างลดลง ความเปลี่ยนแปลงนี้ยังทำให้ผู้คนเริ่มตระหนักถึงความสำคัญของการลงทุนในด้านการศึกษา และการพัฒนาทักษะเพื่อให้สอดคล้องกับความต้องการในตลาดแรงงาน เทคโนโลยีที่เกิดขึ้นจึงส่งผลให้ตลาดแรงงานมีการเปลี่ยนแปลงเช่นกัน 

อย่างไรก็ดี สมมติฐานนี้ไม่สามารถอธิบายทิศทางของตลาดแรงงานในระยะยาวได้ คำอธิบายของ SBTC เคยใช้อธิบายตลาดแรงงานในประเทศพัฒนาแล้ว อย่างเช่น สหรัฐอเมริกา ได้ในช่วงยุค 1980 ที่ตลาดแรงงานต้องการแรงงานมีทักษะเพิ่มขึ้นอย่างมาก แต่หลังจากนั้นประมาณ 10-20 ปี ตลาดแรงงานในหลายประเทศเริ่มแสดงลักษณะของ “Labor Market Polarization หรือ การแบ่งขั้วของตลาดแรงงาน” 

โดยหากแบ่งแรงงานออกเป็นสามกลุ่ม ได้แก่ แรงงานทักษะสูง (High-skilled Labor) แรงงานทักษะปานกลาง (Medium-skilled Labor) และแรงงานทักษะต่ำ (Low-skilled Labor) จะพบว่า ขั้วแรก คือ กลุ่มแรงงานทักษะสูง ที่ยังมีความต้องการเพิ่มขึ้นอย่างต่อเนื่อง เนื่องจากตลาดต้องการบุคลากรที่สามารถจัดการเทคโนโลยีขั้นสูงหรือทำงานที่ซับซ้อนได้ 

และขั้วที่สอง คือ กลุ่มแรงงานทักษะต่ำ ซึ่งยังคงเป็นที่ต้องการสำหรับงานบางประเภทที่เครื่องจักร หรือ เทคโนโลยียังไม่สามารถทดแทนได้ เช่น งานบริการ งานช่าง หรืองานในสายการผลิตขั้นพื้นฐาน

ในทางกลับกัน ความต้องการแรงงานทักษะปานกลางกลับลดลงอย่างต่อเนื่อง แรงงานกลุ่มนี้เคยเป็นกำลังสำคัญในยุคก่อน แต่เริ่มถูกแทนที่ด้วยเครื่องจักรและระบบอัตโนมัติที่สามารถทำงานได้อย่างรวดเร็วและมีประสิทธิภาพสูงกว่า 

2. Routine-Biased Technological Change (RBTC) 
RBTC เป็นแนวคิดที่ช่วยอธิบายปรากฏการณ์ Labor Market Polarization เนื่องจากในอดีต สมมติฐาน SBTC เน้นการแบ่งแรงงานออกเป็นกลุ่มที่มีทักษะ และไม่มีทักษะ โดยอิงจากระดับการศึกษาเป็นหลัก

แต่สมมติฐาน RBTC ได้เพิ่มเติมมุมมองว่า การแบ่งกลุ่มแรงงานตามทักษะเพียงอย่างเดียว อาจไม่เพียงพอในการอธิบายตลาดแรงงานที่ซับซ้อน แต่ควรพิจารณาลักษณะงาน (Tasks) ที่แรงงานทำด้วย 

สมมติฐาน RBTC จึงแบ่งลักษณะงานในสองมิติ มิติแรก คือ งาน Routine ที่มีลักษณะเป็นกิจวัตรและปฏิบัติตามขั้นตอนที่กำหนดไว้ชัดเจน สามารถสร้างระบบอัตโนมัติมาทดแทนได้ง่าย และงาน Non-routine ที่มีลักษณะซับซ้อนและต้องการการตัดสินใจ สร้างระบบมาทดแทนได้ยาก

ส่วนในมิติที่สอง คือ งานประเภท Cognitive หรืองานที่ใช้ความคิดและการประมวลผลข้อมูล กับงานประเภท Manual หรืองานที่เน้นการใช้แรงกาย 

เมื่อพิจารณาสองมิติดังกล่าวควบคู่กัน จะจัดกลุ่มลักษณะงานได้เป็น 4 ประเภท คือ (1) งาน Routine Manual ที่ใช้แรงกายและมีลักษณะเป็นกิจวัตร เช่น การทำงานบนสายพานการผลิตในโรงงานอุตสาหกรรม ซึ่งสามารถใช้ระบบอัตโนมัติหรือเครื่องจักรแทนที่ได้ 

(2) งาน Routine Cognitive ที่ใช้ความคิดและมีลักษณะเป็นกิจวัตร เช่น พนักงานธนาคารที่รับบริการฝากถอนเงิน ซึ่งปัจจุบันระบบ ATM และ Mobile Banking สามารถทำงานแทนได้ 

(3) งาน Non-routine Manual ที่ไม่เป็นกิจวัตรและต้องใช้แรงงานคน เช่น งานบริการ งานช่าง หรืองานดูแลผู้สูงอายุ ซึ่งต้องพึ่งพาทักษะและการปฏิสัมพันธ์ของคน ไม่สามารถสร้างระบบมาทดแทนได้ 

และ (4) งาน Non-routine Cognitive ที่ต้องใช้ความเชี่ยวชาญ ความคิดสร้างสรรค์ และการตัดสินใจ เช่น วิศวกร แพทย์ หรือทนาย ซึ่งสร้างระบบมาทดแทนได้ยากเพราะต้องการการวิเคราะห์ขั้นสูง

จากการแบ่งกลุ่มประเภทงานข้างต้น จะเห็นได้ว่า เทคโนโลยีมีแนวโน้มที่จะทดแทน (Substitute) งาน Routine ทั้ง Manual และ Cognitive ซึ่งงานเหล่านี้ส่วนใหญ่เป็นของแรงงานทักษะต่ำและปานกลาง ความต้องการแรงงานในกลุ่มนี้จึงลดลง 

ในขณะที่เทคโนโลยีส่งเสริม (Complement) งาน Non-routine Cognitive เช่น วิศวกรใช้ซอฟต์แวร์ช่วยคำนวณโครงสร้าง แพทย์ใช้ระบบคอมพิวเตอร์ช่วยจัดการข้อมูลผู้ป่วย งานเหล่านี้ส่วนใหญ่เป็นของแรงงานทักษะสูง ทำให้ความต้องการแรงงานทักษะสูงยังคงเพิ่มขึ้น 

ส่วนงาน Non-routine Manual นั้นเทคโนโลยีช่วยส่งเสริมได้บ้าง แต่ยังจำกัด เช่น ช่างไฟมีอุปกรณ์ที่ทันสมัยขึ้น แต่ยังต้องปฏิบัติงานด้วยตนเอง หรือการดูแลผู้สูงอายุที่ยังต้องพึ่งพาแรงงานคนโดยตรง

ปรากฏการณ์ Labor Market Polarization จึงเกิดขึ้นจากความต้องการแรงงานทักษะสูง และทักษะต่ำเพิ่มขึ้นในงาน Non-routine ในขณะที่ความต้องการแรงงานทักษะปานกลางลดลงจากงาน Routine เนื่องจากแรงงานทักษะต่ำจากงาน Routine Manual สามารถปรับตัวไปสู่งาน Non-routine Manual ได้ง่ายกว่าแรงงานทักษะปานกลางจากงาน Routine Cognitive ที่อาจประสบปัญหาในการปรับตัว เนื่องจากการเลื่อนระดับไปสู่งานทักษะสูงทำได้ยาก และอาจต้องย้ายไปทำงานทักษะต่ำแทน

                           

ผลกระทบของ AI ต่อตลาดแรงงาน: กรณีศึกษา ChatGPT  

จะเห็นได้ว่า ในอดีตเราอาจแบ่งประเภทของเทคโนโลยีได้กว้าง ๆ เป็นสองประเภท คือ Automation ที่เป็นเทคโนโลยีที่มาทำงานแทนคน ซึ่งกระทบแรงงานทักษะต่ำเป็นหลัก และ Augmentation ที่เป็นเทคโนโลยีที่ช่วยเสริมให้คนทำงานได้ดีขึ้น ซึ่งกระทบแรงงานทักษะสูงเป็นหลัก 

อย่างไรก็ดี ตอนนี้เรามีเทคโนโลยีใหม่ที่ฉลาดขึ้น คือ ปัญญาประดิษฐ์ (Artificial Intelligence: AI) เช่น ChatGPT ที่ส่งผลกระทบต่อแรงงานทุกกลุ่มมากกว่าเดิม เพราะแรงงานทักษะต่ำหรือปานกลาง ก็มีโอกาสปรับตัวขึ้นมาแข่งกับแรงงานทักษะสูงได้ ถ้ารู้จักใช้ AI เป็นเครื่องมือ

ในขณะเดียวกันแรงงานทักษะสูงเอง ก็ต้องปรับตัวมากขึ้น เพราะ AI กำลังทำงานในบางด้านได้ใกล้เคียงกับคนมากขึ้น  
ในปี 2024 ได้มีการตีพิมพ์งานวิจัยชื่อว่า Economics of ChatGPT: A labor market view on the occupational impact of artificial intelligence ที่เขียนโดย Ali Zarifhonarvar ในวารสาร Journal of Electronic Business & Digital Economics

โดยงานวิจัยนี้ต้องการวิเคราะห์ว่า ChatGPT จะส่งผลกระทบกับอาชีพใดบ้าง ด้วยการใช้วิธี Text Mining หรือการสกัดข้อมูลจากฐานข้อมูลขนาดใหญ่ โดยใช้ข้อมูลการจัดประเภทมาตรฐานอาชีพสากล (International Standard Classification of Occupations: ISCO) ขององค์การแรงงานระหว่างประเทศ (International Labour Organization: ILO) 

ในฐานข้อมูลมาตรฐานอาชีพสากลนั้น จะแบ่งอาชีพออกเป็น 10 กลุ่มหลัก แต่ละกลุ่มหลักจะแบ่งย่อยออกเป็นกลุ่มรอง และแยกย่อยลงไปเป็นตำแหน่งต่าง ๆ รวมถึงระบุระดับทักษะของตำแหน่งนั้น ๆ ซึ่งการจัดกลุ่มอาชีพนี้เป็นมาตรฐานที่ใช้เปรียบเทียบกันได้ในระดับนานาชาติ โดย 10 กลุ่มอาชีพ ประกอบด้วย

3 กลุ่มอาชีพที่ต้องใช้ทักษะสูง ได้แก่ ผู้บริหาร ผู้ประกอบวิชาชีพ และผู้ช่วยในสายวิชาชีพ อีก 6 กลุ่มเป็นอาชีพที่ใช้ทักษะปานกลาง ได้แก่ งานธุรการ งานบริการและงานขาย แรงงานด้านการเกษตร ป่าไม้ และ ประมง แรงงานฝีมือด้านงานช่างและงานที่เกี่ยวข้อง ผู้ควบคุมเครื่องจักรและประกอบชิ้นส่วน และแรงงานทั่วไป ส่วนกลุ่มสุดท้ายเป็นอาชีพในกองทัพที่มีทั้งตำแหน่งที่ใช้ทักษะสูง ปานกลาง และต่ำ  

แต่ละอาชีพและตำแหน่งจะถูกระบุหน้าที่ ความรับผิดชอบ และงานย่อย ๆ (Tasks) ที่ต้องทำจำนวนมาก นักวิจัยจึงใช้วิธี Text Mining ในการประมวลผลว่าแต่ละอาชีพนั้นถูกระบุว่าต้องทำงานอะไรบ้าง และงานไหนเป็นงานที่ ChatGPT สามารถทำแทนได้ โดยหาก ChatGPT สามารถทำแทนได้จำนวน 7 งานขึ้นไป อาชีพนั้นถือว่าได้รับผลกระทบอย่างมาก 

ผลการศึกษาพบว่า มีอยู่ 32.8% จากอาชีพทั้งหมด หาก ChatGPT ทำแทนได้ 3-7 งาน จะเป็นอาชีพที่ได้รับผลกระทบบางส่วน ซึ่งผลการศึกษาพบว่ามีอยู่มากที่สุด คือ 36.5% และหากทำแทนได้ไม่ถึง 3 งาน จะเป็นอาชีพที่ไม่ได้รับผลกระทบ ซึ่งมีสัดส่วนอาชีพน้อยที่สุด คือ 30.7%

โดยกลุ่มอาชีพที่มีสัดส่วนอาชีพที่ ได้รับผลกระทบมากที่สุด คือ กลุ่มแรงงานทักษะสูง 3 กลุ่ม ได้แก่ ผู้บริหาร ผู้ประกอบวิชาชีพ และผู้ช่วยในสายวิชาชีพ ที่ทำงานที่เกี่ยวข้องกับข้อมูลและการวิเคราะห์ ซึ่ง ChatGPT สามารถเข้ามาทำแทนในหลายงานได้ เช่น การเขียนรายงาน การจัดการข้อมูล หรือการเตรียมเอกสาร 

สำหรับกลุ่มอาชีพที่ไม่ได้รับผลกระทบเลย ได้แก่ อาชีพในกองทัพ เช่น ทหาร ที่ทำงานเกี่ยวกับการปฏิบัติการภาคสนาม และกลุ่มอาชีพที่ไม่มีอาชีพที่ได้รับผลกระทบมาก คือ กลุ่มแรงงานทั่วไป เช่น งานทำความสะอาด หรืองานที่ต้องใช้แรงงานคนเท่านั้น เป็นต้น 

ส่วนที่เหลือคือ กลุ่มอาชีพที่ได้รับผลกระทบบางส่วน เช่น งานธุรการ หรือ งานขาย ที่ ChatGPT ช่วยในการตอบคำถาม การประมวลข้อมูล แต่ยังไม่สามารถทำงานแทนคนได้ทั้งหมด

จะเห็นได้ว่า อาชีพที่ใช้ทักษะสูงที่เคยถูกมองว่า ยังคงเป็นที่ต้องการเสมอนั้น ได้รับผลกระทบมากกว่าที่คิด เพราะงานหลายอย่างใช้ AI ทำแทนได้ 

ในขณะเดียวกัน อาชีพทักษะต่ำที่หลายคนคิดว่าเสี่ยงมากกว่ากลับไม่ได้รับผลกระทบมากนัก โดยเฉพาะงานด้านบริการ เพราะเป็นงานที่ต้องการปฏิสัมพันธ์จากมนุษย์ ไม่สามารถใช้ AI มาทดแทนได้ 

การศึกษานี้จึงช่วยชี้ให้เห็นถึงอิทธิพลของเทคโนโลยี AI ต่ออาชีพต่าง ๆ และเป็นข้อมูลสำคัญในการพัฒนานโยบาย ตลอดจนย้ำถึงความสำคัญของการยกระดับทักษะ (Upskilling) และพัฒนาทักษะใหม่ (Reskilling) เพื่อให้แรงงานสามารถปรับตัว และตอบสนองต่อความต้องการในตลาดแรงงานที่เปลี่ยนแปลงได้อย่างมีประสิทธิภาพ

แหล่งข้อมูล : Zarifhonarvar, A. (2024). Economics of ChatGPT: A labor market view on the occupational impact of artificial intelligence. Journal of Electronic Business & Digital Economics, 3(2), 100-116.