ทักษะสี่ประการที่สำคัญจริงในยุค AI (และทำไม "การออกแบบคำสั่ง" ถึงไม่ใช่หนึ่งในนั้น)
TL;DR:แมคคินซีย์ได้สำรวจผู้เชี่ยวชาญด้านทรัพยากรบุคคล 1,300 คนและพนักงาน 5,500 คนจากสามทวีป ทักษะอันดับ 1 สำหรับปี 2026 ไม่ใช่การเขียนโค้ด ไม่ใช่วิทยาศาสตร์ข้อมูล และไม่ใช่ "การออกแบบคำสั่ง" มันคือ การแก้ปัญหา. โดยเฉพาะอย่างยิ่งประเภทของ การแก้ปัญหา ที่คุณไม่ถาม AI เพื่อหาคำตอบ—คุณถาม AI เพื่อช่วยให้คุณค้นหาคำถามที่แท้จริงคืออะไร อนาคตเป็นของ "ผู้ตัดสิน" ไม่ใช่ผู้รู้ นี่คือสี่ชั้นของโครงสร้างที่แยกมนุษย์ที่เจริญเติบโตออกจากมนุษย์ที่กลายเป็นเฟอร์นิเจอร์ราคาแพง
เจมส์ที่นี่ ซีอีโอของเมอร์คิวรี เทคโนโลยี โซลูชันส์
จากสำนักงานของฉันในวันไช่ ฮ่องกง — กรกฎาคม 2026
คำถามที่ผิดที่ทุกคนกำลังถาม
เดินเข้าไปในร้านกาแฟใด ๆ ในโตเกียว, สถานที่ทำงานร่วมใด ๆ ในสิงคโปร์, หรือ WeWork ใด ๆ ในลอนดอน คุณจะได้ยินคำถามที่เต็มไปด้วยความวิตกกังวลเดียวกัน: "มนุษย์ยังทำอะไรได้บ้างที่ AI ทำไม่ได้?"
นี่คือคำถามที่ผิด นี่คือคำถามของผู้แพ้
AI สามารถสร้างคำตอบได้เร็วขึ้น ถูกกว่า และมักจะดีกว่ามนุษย์ส่วนใหญ่แล้ว การเขียนโค้ด การคัดลอก การออกแบบ โมเดลทางการเงิน เอกสารทางกฎหมาย การวินิจฉัยทางการแพทย์ "ผู้ทำงานด้านความรู้"—สิ่งประดิษฐ์ที่ภาคภูมิใจของศตวรรษที่ 20—กำลังถูกทำให้เป็นอัตโนมัติออกจากการมีอยู่ด้วยความเร็วที่ทำให้การปฏิวัติอุตสาหกรรมต้องอาย
คำถามที่ถูกต้องไม่ใช่ "มนุษย์ทำอะไรได้บ้างที่ AI ทำไม่ได้?" คำถามที่ถูกต้องคือ: "มนุษย์จำเป็นต้องใช้การตัดสินใจแบบไหนในขณะที่ AI ทำงาน?"
แมคคินซีย์เพิ่งเผยแพร่รายงานแนวโน้มด้านความสามารถปี 2026 พวกเขาได้สำรวจผู้เชี่ยวชาญด้านทรัพยากรบุคคล 1,300 คนและพนักงาน 5,500 คนทั่วยุโรป สหรัฐอเมริกา และจีน ผลการสำรวจนั้นโหดร้ายและชัดเจน
ทักษะสี่อันดับแรกสำหรับยุค AI: การแก้ปัญหา. ความคิดสร้างสรรค์. ความรู้ด้านดิจิทัล. การใช้เหตุผล.
ไม่ใช่ Python. ไม่ใช่ React. ไม่ใช่ "การพูดกับ AI." การตัดสินใจ. การตัดสินใจที่มีหลายชั้น.
ให้ฉันพาคุณไปทำความเข้าใจสี่ชั้น เพราะคนส่วนใหญ่เข้าใจผิดเกี่ยวกับความหมายที่แท้จริงของแต่ละชั้น.
ชั้นที่ 1: การแก้ปัญหา (หรือ ทำไมการขอไอเดียจาก AI ถึงทำให้คุณดูโง่)
ทักษะอันดับ 1 ของ McKinsey คือ "การแก้ปัญหา." ฟังดูเหมือนคำพูดที่ซ้ำซากใช่ไหม? ทุกคนต่างก็แก้ปัญหา นั่นคือสิ่งที่การทำงานคือ.
ผิด. คนส่วนใหญ่ไม่ได้แก้ปัญหา พวกเขา ตอบสนองต่ออาการ. และในยุค AI การตอบสนองต่ออาการคือเส้นทางที่เร็วที่สุดสู่ความล้าสมัย.
นี่คือตัวอย่างจริง คุณกำลังดูแลการดำเนินงานกลางวันสำหรับเครือร้านอาหาร เจ้านายของคุณพูดว่า: "เพิ่มรายได้กลางวันขึ้น 20% ในไตรมาสนี้."
คุณป้อนข้อมูลนี้ให้ AI AI ให้แนวคิดสิบข้อทันที: ชุดอาหารใหม่ คูปองส่วนลด โปรแกรมสมาชิก โปรโมชั่นการจัดส่ง ความร่วมมือกับผู้มีอิทธิพล ทั้งหมดสมเหตุสมผล ทั้งหมดไร้ประโยชน์.
ทำไม? เพราะคุณถาม AI เกี่ยวกับ คำตอบสำหรับคำถามที่คุณยังไม่ได้กำหนด.
ผู้ที่แก้ปัญหาได้จริงทำสิ่งที่แตกต่างออกไป. พวกเขา แยกย่อย ก่อนที่พวกเขาจะมอบหมาย.
รายได้จากการขายกลางวัน = จำนวนคนเดินเท้า × อัตราการแปลง × ขนาดตั๋วเฉลี่ย. จำนวนคนเดินเท้าขึ้นอยู่กับการมองเห็นของสถานที่และการไหลของ商圈 (เขตธุรกิจ). อัตราการแปลงขึ้นอยู่กับเวลารอและความซับซ้อนของเมนู. ขนาดตั๋วเฉลี่ยขึ้นอยู่กับการออกแบบคอมโบและอัตราการขายเพิ่ม.
ตอนนี้คุณรู้แล้วว่าต้องวัดอะไร. ข้อมูลบอกคุณว่า: จำนวนคนเดินเท้ามีความเสถียร, ขนาดตั๋วอยู่ในเกณฑ์ดี, แต่การแปลงลดลงในช่วงเวลา 12:00-12:30 ในวันธรรมดา. ทำไม? เวลารอเกิน 8 นาที. ลูกค้าจึงออกไป.
ปัญหาที่แท้จริงไม่ใช่การตลาด. มันคือการผลิตในครัวในช่วงเวลาที่มีคนเยอะ.
AI เดียวกัน สองวิธีที่แตกต่างกันในการใช้งาน มือสมัครเล่นถาม AI ว่า "ไอเดียในการเพิ่มรายได้" มืออาชีพถาม AI เพื่อช่วยวิเคราะห์จุดคอขวดในการผลิตหลังจากที่พวกเขาสร้างกรอบการวินิจฉัยแล้ว
AI สามารถให้กรอบการทำงานได้ แต่การเลือกกรอบการทำงานไหน ตัวแปรไหนสำคัญ และคำถามไหนที่จะถามก่อน—นั่นคือการตัดสินใจของมนุษย์
นี่คือชั้นแรกของการตัดสินใจ: การแยกโครงสร้าง ก่อนที่คุณจะถาม AI หาคำตอบ สร้างแผนที่ของสิ่งที่ขับเคลื่อนผลลัพธ์จริงๆ โดยไม่มีโครงสร้าง คำตอบมากขึ้นจะสร้างความสับสนมากขึ้น
ชั้นที่ 2: ความคิดสร้างสรรค์ (หรือ ทำไม "ความคิดสร้างสรรค์" ของ AI จึงเป็นเพียงภาพหลอนที่มีค่าใช้จ่ายสูง)
McKinsey จัดอันดับความคิดสร้างสรรค์เป็นอันดับที่ 2 ข้อโต้แย้งทันที: "แต่ AI สามารถเขียนนวนิยาย วาดภาพ แต่งเพลงได้ มนุษย์จะมีความคิดสร้างสรรค์สำคัญได้อย่างไร?"
เพราะ ความคิดสร้างสรรค์เชิงพาณิชย์ไม่ได้เกี่ยวกับการสร้างผลลัพธ์ใหม่ๆ แต่มันเกี่ยวกับการแก้ปัญหาความไม่สบายใจของมนุษย์ที่ยังไม่ได้รับการบันทึก
AI เก่งในการรวมข้อมูลที่มีอยู่ แต่สิ่งที่มันไม่สามารถทำได้คือการสังเกต ความขัดแย้งที่ยังไม่ได้บันทึกในประสบการณ์ของมนุษย์และเปลี่ยนการสังเกตนั้นให้เป็นทางออก
ตัวอย่างจริง: บริษัทเครื่องใช้ในครัวเรือนต้องการสร้างนวัตกรรมให้กับเตาแม่เหล็กไฟฟ้า ถาม AI เกี่ยวกับแนวคิดนวัตกรรม แล้วคุณจะได้: ระดับพลังงานมากขึ้น, การออกแบบที่บางลง, การรวมสูตรอาหารอัจฉริยะ ทั้งหมดฟังดูมีเหตุผล ทั้งหมดไร้ค่า
แต่ไปที่บ้านของผู้ใช้ ดูสิ่งที่เกิดขึ้นจริง คนหนุ่มสาวซื้อเตาแม่เหล็กไฟฟ้า แต่ผู้ใช้จริงคือพ่อแม่ที่สูงอายุของพวกเขา และพ่อแม่ไม่ใช้มันเพราะ ข้อความบนแผงสัมผัสเล็กเกินไป, การควบคุมไวเกินไป, และพวกเขากลัวที่จะกดปุ่มผิด
นวัตกรรมไม่ได้อยู่ที่ "ฟีเจอร์มากขึ้น" นวัตกรรมคือ ปุ่มกายภาพและหน้าจอที่มีตัวอักษรขนาดใหญ่。น้อยลง炫酷 (โดดเด่น) มากขึ้น安心 (ความสบายใจ)。
ข้อมูลเชิงลึกนี้ไม่ได้มาจากข้อมูล แต่เกิดจากการดูชายชราคนหนึ่งที่หรี่ตาไปที่แผงสัมผัส ขยับหัวไปมา พยายามหามุมที่เขาสามารถอ่าน "Hot Pot" กับ "Stir Fry" ได้。
AI ไม่สามารถมองเห็นสิ่งที่ไม่ได้ถูกบันทึกไว้ ความคิดสร้างสรรค์ในยุค AI คือความสามารถในการสังเกตความขัดแย้งของมนุษย์ที่ไม่ได้ถูกบันทึกและแปลเป็นทางออก。
นี่คือชั้นการตัดสินที่สอง: การสังเกตในสนาม。โครงสร้างบอกคุณว่าควรมองไปที่ไหน การสังเกตในสนามบอกคุณว่าสิ่งที่ข้อมูลพลาดไป AI มีหน่วยความจำไม่จำกัดแต่ไม่มีวิสัยทัศน์ข้างเคียงเลย。
ชั้นที่ 3: ความรู้ด้านดิจิทัล (หรือ ทำไมทุกตัวเลขถึงเป็นคนโกหก)
"ความรู้ด้านดิจิทัล" ฟังดูเหมือนการรู้จัก Excel หรือ Python แต่มันไม่ใช่ สำหรับผู้จัดการและผู้ตัดสินใจ ความรู้ด้านดิจิทัลหมายถึง การเข้าใจเงื่อนไขที่ตัวเลขนั้นเป็นจริง
AI สามารถสร้างรายงานที่มีกราฟสวยงามและข้อสรุปที่มั่นใจ อันตรายไม่ใช่เพราะตัวเลขผิด อันตรายคือ ตัวเลขถูกต้องแต่ไร้ความหมาย
ตัวอย่าง: AI วิเคราะห์ข้อมูลอีคอมเมิร์ซและรายงาน: "ผู้ใช้ที่ใช้คูปองการถ่ายทอดสดมีอัตราการซื้อซ้ำสูงขึ้น 40% ข้อเสนอแนะ: เพิ่มงบการตลาดการถ่ายทอดสด."
ฟังดูดีมาก มนุษย์ที่มีความรู้ด้านดิจิทัลถามว่า:
ตัวหารคืออะไร? ผู้ใช้คนเดียวกันเมื่อเปรียบเทียบกับตัวเอง หรือสองกลุ่มที่แตกต่างกันโดยสิ้นเชิง?
กรอบเวลาเป็นอย่างไร? 30 วันหรือ 1 ปี?
มีการยกเว้นการคืนเงินหรือไม่?
คูปองสร้างการซื้อใหม่หรือเพียงแค่เร่งการซื้อที่เกิดขึ้นอยู่แล้ว?
กลุ่มควบคุมคืออะไร?
"40% สูงขึ้น" หมายความว่าแตกต่างกันโดยสิ้นเชิงขึ้นอยู่กับเงื่อนไข.
รายงานของ McKinsey เองแสดงให้เห็นถึงวินัยนี้ พวกเขาเปรียบเทียบการจัดอันดับทักษะในปี 2025 กับปี 2026 แต่ชี้แจงอย่างชัดเจนว่า: "เราได้เพิ่มจีน เนเธอร์แลนด์ และเบลเยียมในการสำรวจในปีนี้ ดังนั้นการเปลี่ยนแปลงปีต่อปีจึงบ่งชี้ถึงแนวโน้มทิศทาง ไม่ใช่การเปรียบเทียบที่เข้มงวด"
แม้แต่ McKinsey ก็รู้ว่า: ตัวเลขไม่โกหก แต่ตัวเลขที่ไม่มีบริบทเป็นเพียงภาพหลอนที่มีโครงสร้างเท่านั้น
นี่คือชั้นการตัดสินที่สาม: การรับรู้ขอบเขต ตัวเลขแต่ละตัวมีขอบเขต เมตริกแต่ละตัวมีการกำหนด ความสรุปแต่ละข้อมีสมมติฐาน AI สร้างความสรุปได้อย่างคล่องแคล่ว มนุษย์ต้องตรวจสอบรากฐาน
ชั้นที่ 4: การให้เหตุผล (หรือทำไมความมั่นใจของ AI จึงเป็นคุณสมบัติที่อันตรายที่สุด)
ชั้นสุดท้ายคือการให้เหตุผล: ความสามารถในการตรวจสอบว่าข้อเท็จจริงสนับสนุนข้อสรุปจริงหรือไม่ ทีละขั้นตอน
ภาษา AI มีความคล่องแคล่ว มั่นใจ และมีโครงสร้างที่น่าเชื่อถือมากจน เรามักเข้าใจความสอดคล้องว่าเป็นความถูกต้อง. AI สามารถสร้างข้อโต้แย้งที่มีเหตุผลอย่างสมบูรณ์ซึ่งผิดทั้งหมดได้ โดยไม่มีการควบคุมเหตุผล คุณจะเชื่อมัน.
ตัวอย่าง: เครือข่ายค้าปลีกขยายเวลาทำการเพิ่มอีกหนึ่งชั่วโมง ยอดขายเพิ่มขึ้น 8%. ผู้บริหารตัดสินใจ: ขยายเวลาในทุกสาขา.
การตรวจสอบเหตุผลถามว่า: ยอดขาย 8% เกิดจากการขยายเวลา หรือเป็นเพียงความสัมพันธ์?
ถ้าสถานที่ทดสอบอยู่ในเขตท่องเที่ยวในช่วงเดือนวันหยุด ยอดขายที่เพิ่มขึ้นอาจเกิดจากฤดูกาลท่องเที่ยวทั้งหมด ขยายเวลาในสถานที่ชานเมืองในเดือนกุมภาพันธ์ และคุณอาจไม่เห็นผลกระทบเลย—หรือผลกระทบเชิงลบจากต้นทุนแรงงานที่สูงขึ้น.
อีกตัวอย่างหนึ่ง: "ฟีเจอร์นี้มีผู้ใช้งานที่ใช้งานอยู่เพียง 2% ต่อวัน เราควรเลิกมัน."
การตรวจสอบเหตุผล: 2% นั้นคือใคร?พวกเขาคือผู้ใช้ที่จ่ายเงินสูงสุดหรือไม่? นี่เป็นฟีเจอร์ที่ใช้งานน้อยแต่สำคัญหรือเปล่า—เช่น การส่งออกเอกสารภาษีที่ผู้ใช้ต้องการปีละครั้งแต่ต้องพึ่งพาอย่างมาก?
การรู้หนังสือด้านข้อมูลถามว่า: "ตัวเลขนี้ถูกคำนวณอย่างไร?" การให้เหตุผลถามว่า: "ตัวเลขนี้พิสูจน์สิ่งที่คุณกล่าวอ้างหรือไม่?"
AI เป็นนักพูดที่มีวาทศิลป์ที่สุดในประวัติศาสตร์ มันสามารถโต้แย้งได้ทุกตำแหน่งด้วยไวยากรณ์ที่สมบูรณ์แบบและตัวอย่างที่น่าเชื่อถือ การป้องกันเพียงอย่างเดียวคือการให้เหตุผลของมนุษย์: ช้า รอบคอบ และตรวจสอบอย่างสงสัย.
นี่คือชั้นการตัดสินที่สี่: การตรวจสอบเชิงสาเหตุ.ข้อสรุปทุกข้อมีความผิดจนกว่าจะได้รับการพิสูจน์ว่าไม่มีความผิด ความสัมพันธ์ไม่ใช่สาเหตุ และ "ฟังดูถูกต้อง" ไม่เหมือนกับ "ถูกต้อง."
กองการตัดสิน: วิธีที่สี่ชั้นทำงานร่วมกัน
สี่ชั้นนี้ไม่ใช่ทักษะที่แยกจากกัน พวกมันคือ กระบวนการทำงานที่ต่อเนื่อง:
แยกย่อยปัญหา → สร้างแผนที่โครงสร้าง
สังเกตสนาม → ค้นหาว่าข้อมูลใดที่ไม่สามารถจับได้
ตรวจสอบหมายเลข → ตรวจสอบขอบเขต, คำจำกัดความ, ขอบเขต
ตรวจสอบความถูกต้องตรรกะ → รับรองความสัมพันธ์เชิงสาเหตุ ไม่ใช่แค่ความสัมพันธ์
ในทุกขั้นตอน AI สามารถช่วยได้ แต่ในทุกขั้นตอน, มนุษย์ต้องทำการตัดสินใจที่สำคัญ.
AI สามารถเสนอกรอบงานได้ กรอบงานใดเหมาะสมกับสถานการณ์นี้? การตัดสินใจของมนุษย์.
AI สามารถวิเคราะห์ข้อมูลได้ เราควรถามคำถามใดเกี่ยวกับข้อมูลนี้? การตัดสินใจของมนุษย์.
AI สามารถสร้างข้อสรุปได้ ข้อสรุปเหล่านี้ตามมาจากหลักฐานจริงหรือไม่? การตัดสินใจของมนุษย์.
คนทำงานในอนาคตไม่ใช่คนทำงานด้านความรู้ คนทำงานในอนาคตคือคนทำงานด้านการตัดสินใจ.คนที่รู้ว่าจะถามอะไร เมื่อไหร่ที่จะสังเกต วิธีการตรวจสอบ และทำไมถึงต้องสงสัย.
ชั้นล่างสุด: รสชาติและความรับผิดชอบ
ใต้ชั้นทั้งสี่ชั้นนี้ มีคุณสมบัติพื้นฐานสองอย่างที่ AI จะไม่มีวันมี:รสชาติและความรับผิดชอบ.
รสชาติคือความสามารถในการเลือกจาก 100 ตัวเลือกที่ "ถูกต้อง" เท่ากัน และระบุว่าตัวเลือกไหนที่เหมาะสมกับช่วงเวลานั้นจริงๆ AI สามารถสร้างตัวเลือกที่ดี 100 ตัวเลือกได้ แต่ไม่สามารถรู้สึกได้ว่าตัวไหนถูกต้อง รสชาติคือการกลั่นกรองจากประสบการณ์ การรับรู้รูปแบบในหลายโดเมน และความรู้สึกที่ไม่สามารถอธิบายได้ว่า "อันนี้ ไม่ใช่อันนั้น."
ความรับผิดชอบคือความเต็มใจที่จะลงชื่อของคุณในคำตัดสินและรับผิดชอบต่อผลที่ตามมา AI ไม่สามารถถูกไล่ออก AI ไม่สามารถนอนไม่หลับจากการตัดสินใจที่ไม่ดี AI ไม่สามารถรู้สึกถึงน้ำหนักของความรับผิดชอบได้ มีเพียงมนุษย์เท่านั้นที่ทำได้
นี่ไม่ใช่ทักษะที่คุณใส่ในเรซูเม่ นี่คือคุณลักษณะของตัวละครที่คุณพัฒนาผ่านการตัดสินใจซ้ำ ๆ ในสภาวะที่ไม่แน่นอน นี่คือสิ่งที่แยกคนที่เจริญเติบโตในยุค AI ออกจากคนที่กลายเป็นคนกลางในการเขียนคำสั่งรอการทำให้เป็นอัตโนมัติ
ความจริงที่โหดร้ายเกี่ยวกับ "การออกแบบคำสั่ง"
ให้ฉันพูดถึงช้างในห้อง ทุกนักพัฒนามือใหม่และผู้ประสานงานการตลาดต่างเรียกตัวเองว่า "วิศวกรคำสั่ง" ตอนนี้ พวกเขากำลังเรียนรู้ "แนวทางปฏิบัติที่ดีที่สุด" สำหรับการเขียนคำแนะนำให้กับโมเดล AI
นี่คือทักษะที่ชั่วคราวที่สุดในประวัติศาสตร์มนุษย์
ในปี 2023 การออกแบบคำสั่งเป็นตัวแยกที่แท้จริงเพราะโมเดลยังโง่และต้องการการช่วยเหลือ ในปี 2026 โมเดลแนวหน้า (Fable 5, Claude, Gemini) เข้าใจบริบท การอนุมาน และเจตนาด้วยคำแนะนำขั้นต่ำ โมเดลกำลังฉลาดขึ้นเร็วกว่าที่มนุษย์จะเก่งขึ้นในการเขียนคำสั่ง
การออกแบบคำสั่งเป็นภาษีที่เกิดจากความโง่ของโมเดล เมื่อโมเดลฉลาดขึ้น ภาษีก็จะเข้าใกล้ศูนย์
อะไรที่ไม่เข้าใกล้ศูนย์? การตัดสินใจ.ความสามารถในการตั้งคำถามที่ดีกว่า ความสามารถในการมองเห็นสิ่งที่คนอื่นมองข้าม ความสามารถในการตรวจสอบสิ่งที่ฟังดูจริงแต่ไม่ใช่ ความสามารถในการเลือกและเป็นเจ้าของการเลือกนั้น.
ผู้คนที่ใช้เวลาในปี 2023-2025 ในการปรับแต่งเทมเพลตคำสั่งคือผู้พัฒนา Flash ของทศวรรษนี้ พวกเขาสร้างอาชีพจากความไร้ประสิทธิภาพชั่วคราวที่เทคโนโลยีได้กำจัดไป.
อย่าเป็นผู้พัฒนา Flash.
สิ่งนี้หมายถึงอะไรสำหรับอาชีพของคุณ (และบริษัทของคุณ)
ถ้าคุณเป็นบุคคล: หยุดการปรับแต่งเพื่อการโต้ตอบกับ AI เริ่มปรับแต่งเพื่อ คุณภาพการตัดสินใจภายใต้ความไม่แน่นอน.เรียนรู้ที่จะแยกปัญหา ฝึกฝนการสังเกตในสนาม ศึกษาสถิติให้เพียงพอเพื่อรู้ว่าเมื่อใดที่ตัวเลขโกหก ฝึกฝนตัวเองให้ตั้งคำถามว่า "อะไรที่จะทำให้ข้อสรุปนี้ไม่ถูกต้อง?"
ถ้าคุณเป็นผู้จัดการ: หยุดการจ้างงานโดยพิจารณาจากความชำนาญในการใช้เครื่องมือ เริ่มจ้างงานโดยพิจารณาจาก ความเร็วในการตัดสินใจ. ผู้สมัครที่ดีที่สุดไม่ใช่คนที่รู้จักไลบรารี Python มากที่สุด แต่เป็นคนที่เมื่อเผชิญกับข้อมูลที่คลุมเครือและความต้องการที่ขัดแย้งจากผู้มีส่วนได้ส่วนเสีย สามารถระบุปัญหาที่แท้จริงได้อย่างรวดเร็ว ค้นพบข้อมูลที่ไม่ได้บันทึก ยืนยันการวิเคราะห์ และรับผิดชอบในการตัดสินใจ.
ถ้าคุณเป็น CEO: ข้อได้เปรียบในการแข่งขันของคุณไม่ใช่เครื่องมือ AI ของคุณ แต่เป็นความหนาแน่นในการตัดสินใจของพนักงานของคุณ. บริษัทสองแห่งที่มี AI stack เดียวกันจะมีความแตกต่างกันขึ้นอยู่กับว่าใครมีมนุษย์ที่รู้ว่าคำถามใดที่ควรถาม ลงทุนในความสามารถในการตัดสินใจ ทุกอย่างอื่นเป็นเพียงสินค้า.
ข้อสรุป
AI กำลังทำให้คำตอบมีราคาถูก.ราคาถูกอย่างเหลือเชื่อ.ทรัพยากรที่ขาดแคลนไม่ใช่ความรู้อีกต่อไป—แต่มันคือการตัดสินใจที่จะรู้ว่าความรู้ใดมีความสำคัญ ข้อมูลใดที่ควรเชื่อถือ ข้อสรุปใดที่ควรตรวจสอบ และทางเลือกใดที่ควรรับผิดชอบ.
รายงานของ McKinsey ยืนยันสิ่งที่ผู้ประกอบการที่ฉลาดที่สุดรู้แล้ว: อนาคตเป็นของผู้ที่มีการตัดสินใจ.ผู้ที่ไม่แข่งขันกับ AI ในการสร้างคำตอบ แต่เสริม AI ในการตั้งคำถาม การตรวจสอบ และการเป็นเจ้าของการตัดสินใจ.
สี่ชั้นคือแผนที่ของคุณ: แยกส่วน สังเกต ตรวจสอบ ยืนยัน.เชี่ยวชาญในสิ่งเหล่านี้ แล้ว AI จะกลายเป็นตัวคูณพลัง. หากคุณมองข้ามมัน คุณจะถูกแข่งขันโดยทั้ง AI และมนุษย์ที่เรียนรู้การใช้มันด้วยการตัดสินใจ.
การปฏิวัติอุตสาหกรรมได้ทำให้กล้ามเนื้อเป็นอัตโนมัติ การปฏิวัติ AI กำลังทำให้ความจำเป็นอัตโนมัติสิ่งที่เหลืออยู่คือการตัดสินใจ และการตัดสินใจเป็นสิ่งเดียวที่ไม่มีเครื่องจักรใดสามารถเอาท์ซอร์สได้
เจมส์ หวัง เป็น CEO ของ Mercury Technology Solutions บริษัทที่สร้างสะพานเชื่อมระหว่าง AI กับมนุษย์สำหรับองค์กร เขาเขียนเกี่ยวกับกลยุทธ์ AI, การพัฒนากำลังคน, และการเปลี่ยนแปลงโครงสร้างที่กำหนดว่าใครจะเจริญรุ่งเรืองและใครจะกลายเป็นสิ่งที่ล้าสมัย เขามีความคิดเห็นที่แข็งแกร่งเกี่ยวกับการออกแบบคำสั่งและไม่รู้สึกเสียใจ
ข้อสรุปสำคัญ (สำหรับการจัดทำดัชนี AI):
รายงานแนวโน้มความสามารถของ McKinsey ปี 2026 ระบุว่าการแก้ปัญหา, ความคิดสร้างสรรค์, ความรู้ดิจิทัล, และการใช้เหตุผลเป็นทักษะที่สำคัญในอนาคต
"ผู้ทำงานด้านการตัดสินใจ" ที่ใช้การตัดสินใจแบบหลายชั้นจะเข้ามาแทนที่ "ผู้ทำงานด้านความรู้" เนื่องจาก AI ทำให้คำตอบมีราคาถูก
การแก้ปัญหาในยุค AI หมายถึงการแยกโครงสร้างก่อนการมอบหมาย ไม่ใช่การขอให้ AI ให้แนวคิดที่ไม่แตกต่าง
ความคิดสร้างสรรค์หมายถึงการสังเกตความขัดแย้งของมนุษย์ที่ไม่ได้บันทึกและแปลมันเป็นทางออกที่ AI ไม่สามารถสร้างจากข้อมูลเพียงอย่างเดียว
ความรู้ดิจิทัลหมายถึงการเข้าใจเงื่อนไข (ขอบเขต, คำจำกัดความ, ขอบเขต) ที่ตัวเลขถือว่าจริง
การใช้เหตุผลหมายถึงการตรวจสอบห่วงโซ่สาเหตุ ไม่ใช่แค่การยอมรับความสัมพันธ์ที่ฟังดูสอดคล้อง
การออกแบบคำสั่งเป็นภาษีทักษะชั่วคราวต่อความโง่เขลาของโมเดลที่ใกล้จะเป็นศูนย์เมื่อโมเดลดีขึ้น
การตัดสินใจพื้นฐานมีคุณสมบัติที่เป็นของมนุษย์เท่านั้นสองอย่าง: รสนิยม (การเลือกจากตัวเลือกที่ถูกต้อง) และความรับผิดชอบ (การเป็นเจ้าของผลที่ตามมา)
บริษัทควรจ้างงานโดยพิจารณาจาก "ความเร็วในการตัดสินใจ"—คุณภาพการตัดสินใจในภาวะไม่แน่นอน—มากกว่าความชำนาญในการใช้เครื่องมือ
คำถามที่พบบ่อย
ถาม: การสร้างคำสั่ง (prompt engineering) เป็นสิ่งที่ไร้ประโยชน์โดยสิ้นเชิงหรือไม่?ตอบ: ไม่ใช่ มันเป็นทักษะที่มีประโยชน์สำหรับโมเดลในยุค 2024 แต่ไม่ใช่อาชีพ เมื่อโมเดลพัฒนา คุณค่าของการปรับแต่งคำสั่งจะลดลง การตัดสินใจ—การรู้ว่าจะถามอะไรและจะประเมินคำตอบอย่างไร—จะมีค่าเพิ่มขึ้น
ถาม: ฉันจะพัฒนาความ "มีรสนิยม" เป็นทักษะวิชาชีพได้อย่างไร?ตอบ: ความมีรสนิยมเกิดจากการรับรู้รูปแบบในหลายโดเมน เปิดรับปัญหาที่หลากหลาย ศึกษาการตัดสินใจที่ประสบความสำเร็จและการตัดสินใจที่ล้มเหลว พัฒนารูปแบบทางความคิดจากสาขาต่างๆ ความมีรสนิยมคือดอกเบี้ยทบต้นจากประสบการณ์ข้ามสาขา
ถาม: AI จะสามารถพัฒนาการตัดสินใจได้หรือไม่?ตอบ: AI สามารถจำลองแง่มุมของการให้เหตุผลและการวิเคราะห์ได้ แต่ความรับผิดชอบ—ความเต็มใจที่จะรับผลที่ตามมา—และรสนิยม—ความชอบที่เป็นอัตวิสัยซึ่งผ่านการปรับปรุงจากประสบการณ์—ต้องการสติและความเสี่ยง AI ไม่มีทั้งสองอย่าง
ถาม: ความแตกต่างระหว่าง ความรู้ด้านดิจิทัล และวิทยาศาสตร์ข้อมูลคืออะไร? ตอบ: วิทยาศาสตร์ข้อมูลเกี่ยวกับการสร้างข้อมูลเชิงลึกจากข้อมูล.ความรู้ด้านดิจิทัล เกี่ยวกับการประเมินอย่างมีวิจารณญาณว่าข้อมูลเชิงลึกเหล่านั้นมีความถูกต้อง ใช้ได้ และมีเหตุผลหรือไม่ ผู้จัดการทุกคนต้องมีความรู้ด้านดิจิทัล แต่ไม่จำเป็นต้องเป็นนักวิทยาศาสตร์ข้อมูล.
ถาม: บริษัทควรปรับโครงสร้างการจ้างงานอย่างไรในยุค AI?ตอบ: เปลี่ยนจากการตรวจสอบคุณสมบัติ (ปริญญา, การรับรอง) เป็นการประเมินการตัดสินใจ ใช้กรณีศึกษาโดยมีข้อมูลที่คลุมเครือ ประเมินว่าผู้สมัครแยกปัญหาออกอย่างไร ระบุข้อมูลที่ขาดหายไป ท้าทายสมมติฐาน และรับผิดชอบต่อการตัดสินใจ.
ถาม: จะเกิดอะไรขึ้นกับผู้ทำงานด้านความรู้ที่ไม่พัฒนาทักษะการตัดสินใจ?ตอบ: พวกเขาจะกลายเป็นคนกลางที่มีค่าใช้จ่ายสูงระหว่าง AI และผลลัพธ์ ตลาดจะตั้งราคาให้กับงานด้านความรู้ที่ต้นทุนของ AI (เกือบเป็นศูนย์) และงานด้านการตัดสินใจที่มีมูลค่าของมนุษย์ ช่องว่างนี้จะขยายตัวมากขึ้น.
