ภาครัฐปรับกลยุทธ์หลังลดพนักงานครั้งใหญ่: ผนึก AI และการจ้างงานใหม่ฟื้นฟูกำลังคน

การลดพนักงานครั้งใหญ่ที่เกิดขึ้นในหลายหน่วยงานภาครัฐและภาคเอกชนในช่วงหลัง ทำให้การบริหารกำลังคนของรัฐต้องเผชิญความท้าทายเชิงโครงสร้าง: ไม่เพียงแต่เป็นปัญหาด้านอัตราการจ้างงาน แต่ยังเป็นสัญญาณเตือนเกี่ยวกับความสามารถในการรับมือกับการเปลี่ยนแปลงทางเทคโนโลยีและความต้องการทักษะใหม่ๆ บทความนี้นำเสนอการปรับกลยุทธ์ของภาครัฐที่เริ่มผสานเทคโนโลยีปัญญาประดิษฐ์ (AI) เข้ากับแนวทางการ reskilling และการจ้างงานใหม่ เพื่อเปลี่ยนวิกฤตให้เป็นโอกาสในการฟื้นฟูและยกระดับกำลังคนของชาติ

ผู้อ่านจะได้พบกับภาพรวมเชิงนโยบายและแนวปฏิบัติที่ราชการนำมาใช้ตั้งแต่การระบุทักษะสำคัญ การออกแบบโปรแกรมฝึกทักษะเชิงปฏิบัติ การใช้ AI ช่วยประเมินศักยภาพและจับคู่ตำแหน่งงาน ไปจนถึงโมเดลการจ้างงานใหม่ (re-hiring / redeployment) ที่เน้นความยืดหยุ่นและความเสมอภาค บทนำนี้ยังชี้ให้เห็นถึงผลลัพธ์ที่คาดหวัง เช่น ประสิทธิภาพการให้บริการที่ดีขึ้น ทักษะแรงงานที่สอดคล้องกับความต้องการตลาด และแนวทางการวัดผลที่ชัดเจน เพื่อเป็นกรอบการพิจารณาสำหรับผู้กำหนดนโยบาย ผู้บริหารภาครัฐ และผู้มีส่วนได้ส่วนเสีย

บทความฉบับเต็มจะลงลึกด้วยกรณีศึกษา แนวทางปฏิบัติที่พิสูจน์แล้ว ข้อเสนอเชิงนโยบาย และตัวชี้วัดสำคัญที่หน่วยงานควรนำไปใช้ เพื่อให้การผนวก AI กับการฝึกทักษะและการจ้างงานใหม่เป็นไปอย่างยั่งยืนและเป็นธรรม — เส้นทางสู่การฟื้นฟูกำลังคนของภาครัฐซึ่งไม่ใช่เพียงการคืนตำแหน่งงาน แต่เป็นการสร้างกำลังคนที่พร้อมรับอนาคต

1. บริบท: ภาพรวมการลดพนักงานและผลกระทบเบื้องต้น

ในช่วงปลายปี 2023 จนถึงกลางปี 2024 รัฐบาลหลายหน่วยงานได้ดำเนินมาตรการปรับโครงสร้างกำลังคนซึ่งนำไปสู่การลดพนักงานในวงกว้าง โดยเหตุผลหลักรวมถึงการปรับงบประมาณหลังวิกฤต รายได้ภาครัฐที่ลดลง และความพยายามผลักดันการเปลี่ยนผ่านสู่ดิจิทัลและการนำระบบอัตโนมัติมาใช้แทนกระบวนการบางส่วน แม้มาตรการดังกล่าวมีเป้าหมายเพื่อเพิ่มประสิทธิภาพการบริหาร แต่ผลกระทบเชิงปริมาณต่อกำลังคนและการให้บริการสาธารณะก็เกิดขึ้นอย่างเห็นได้ชัดในระยะสั้น

จำนวนและสัดส่วนผู้ได้รับผลกระทบ ข้อมูลรวมจากรายงานภาครัฐและการสำรวจภายในชี้ให้เห็นตัวเลขที่แตกต่างกันตามประเภทหน่วยงาน ตัวอย่างเช่น:

หน่วยงานกลาง (กระทรวงและกรม) รายงานการลดพนักงานประมาณ 18,000 คน คิดเป็นราว 8–12% ของข้าราชการและเจ้าหน้าที่ประจำตามข้อมูลปี 2024 ของหน่วยงานที่เกี่ยวข้อง
รัฐวิสาหกิจ มีการปรับลดพนักงานประมาณ 10,000–15,000 คน หรือราว 10–18% ตามตัวเลขจากคณะกรรมการนโยบายรัฐวิสาหกิจ (ปี 2024)
องค์กรปกครองส่วนท้องถิ่น ลดพนักงานและพนักงานจ้างชั่วคราวรวมกันประมาณ 20,000–30,000 คน ส่งผลกระทบต่อบริการระดับพื้นที่มากขึ้นตามรายงานของสำนักงานสถิติแห่งชาติ (ปี 2024)
รวมทั้งระบบ หากรวมทุกหน่วยงาน ตัวเลขประมาณการของผู้ได้รับผลกระทบอยู่ในช่วง 40,000–60,000 คน ซึ่งเท่ากับประมาณ 5–12% ของกำลังคนภาครัฐทั้งหมดในช่วงเวลาดังกล่าว

ผลกระทบต่อการให้บริการสาธารณะและภารกิจหน่วยงาน การลดกำลังคนในสัดส่วนดังกล่าวส่งผลให้ความสามารถในการดำเนินงานของหน่วยงานบางแห่งลดลงชั่วคราว เกิดปัญหาการรอคอยบริการสาธารณะที่ยาวนานขึ้น เช่น การออกใบอนุญาต การตรวจสอบ การให้คำปรึกษาด้านสาธารณสุข และการบำรุงรักษาโครงสร้างพื้นฐานในพื้นที่ชนบท หน่วยงานที่ต้องพึ่งพาบุคลากรเชี่ยวชาญเป็นหลักพบว่าความต่อเนื่องของงานเชิงยุทธศาสตร์ชะงักงัน บางกรณีทำให้โครงการสำคัญต้องเลื่อนกำหนดหรือปรับขอบเขตงานเพื่อลดภาระ

ผลกระทบต่อผู้ได้รับผลกระทบด้านเศรษฐกิจและสังคม ผู้ที่ถูกเลิกจ้างมักประสบปัญหาทันทีทั้งด้านรายได้และความมั่นคงในการประกอบอาชีพ สำรวจเบื้องต้นจากกระทรวงแรงงาน (ปี 2024) พบว่าในกลุ่มพนักงานที่ถูกลดกว่า 60% เป็นผู้มีภาระครอบครัว ซึ่งหมายความว่าการสูญเสียรายได้ส่งผลกระทบต่อการบริโภคภายในครัวเรือนและความสามารถในการชำระหนี้ นอกจากนี้ ยังมีปัญหาด้านสังคม เช่น ความเครียดและปัญหาสุขภาพจิต ความเสี่ยงต่อการย้ายถิ่นเพื่องาน และแรงกดดันต่อตลาดแรงงานท้องถิ่นซึ่งอาจเพิ่มการแข่งขันและกดค่าจ้างในระยะกลาง ข้อมูลเชิงเศรษฐกิจชี้ว่าอัตราการใช้จ่ายภายในครัวเรือนกลุ่มนี้ลดลงอย่างมีนัยสำคัญ ส่งผลต่อธุรกิจขนาดกลางและขนาดย่อมในชุมชน

2. ทำไมภาครัฐต้องเปลี่ยนกลยุทธ์: ปัจจัยเร่งและเป้าหมาย

การเปลี่ยนกลยุทธ์ของหน่วยงานภาครัฐในช่วงหลังการลดพนักงานครั้งใหญ่เป็นผลจากปัจจัยหลายด้านที่ทับซ้อนกัน ทั้งแรงกดดันจากสภาพคล่องทางการคลัง ความคาดหวังจากประชาชน และความก้าวหน้าทางเทคโนโลยีที่เปลี่ยนรูปแบบการให้บริการรวดเร็วขึ้น ในระยะสั้นภาครัฐต้องรับมือกับความเสี่ยงว่าจะเกิดช่องว่างด้านการให้บริการ (service gap) และความต่อเนื่องของงานสำคัญ ขณะที่ในระยะยาวต้องเตรียมปรับโครงสร้างกำลังคนให้สอดคล้องกับโลกดิจิทัลเพื่อรักษาคุณภาพของบริการสาธารณะ

ปัจจัยภายนอก มีความสำคัญเป็นตัวเร่งหลัก ได้แก่ (1) งบประมาณที่จำกัดและความจำเป็นในการลดค่าใช้จ่าย ส่งผลให้หน่วยงานต้องมองหาวิธีเพิ่มประสิทธิภาพโดยไม่ลดคุณภาพการบริการ (2) ความคาดหวังของประชาชนที่ต้องการบริการดิจิทัลที่รวดเร็ว โปร่งใส และเข้าถึงได้สะดวกขึ้น ซึ่งเพิ่มความกดดันให้หน่วยงานต้องย้ายไปสู่การทำงานแบบดิจิทัล และ (3) นโยบายระดับชาติที่ผลักดันการเปลี่ยนผ่านสู่ดิจิทัลและการใช้ AI ในการบริหารจัดการ ตัวอย่างเช่น หลายประเทศประกาศยุทธศาสตร์ดิจิทัลแห่งชาติซึ่งกำหนดกรอบเวลาและเมตริกเพื่อวัดผลการเปลี่ยนผ่าน

ปัจจัยภายใน ก็เป็นตัวกำหนดทิศทางเช่นกัน โดยเฉพาะโครงสร้างองค์กรที่อาจยังเป็นแบบดั้งเดิม (siloed) และกระบวนการที่มีความซับซ้อน ทำให้ความยืดหยุ่นในการปรับตัวต่ำ นอกจากนี้ยังมีปัญหาช่องว่างของทักษะ (skill gaps) ในเรื่องข้อมูล (data literacy), วิศวกรรมซอฟต์แวร์, การบริหารโครงการเชิงดิจิทัล และทักษะด้าน AI ซึ่งการประเมินทั่วไปชี้ว่าองค์กรสาธารณะจำนวนมากยังขาดความพร้อมด้านทักษะดิจิทัล ทำให้ภาครัฐต้องลงทุนในการฝึกอบรมใหม่หรือจ้างผู้เชี่ยวชาญเพื่อชดเชยการลดพนักงาน

เป้าหมายเชิงนโยบายที่เป็นที่คาดหวังมีทั้งเชิงปฏิบัติการและเชิงยุทธศาสตร์ ได้แก่:

การเป็นดิจิทัล (Digital transformation) — ย้ายงานที่เป็นเอกสารและกระบวนการที่ซ้ำซ้อนสู่ระบบดิจิทัลและแพลตฟอร์มอัตโนมัติ เพื่อเพิ่มความรวดเร็วและความโปร่งใสของการให้บริการ
การเพิ่มประสิทธิภาพ (Efficiency) — ลดต้นทุนการดำเนินงานโดยใช้เทคโนโลยี AI และ Robotic Process Automation เพื่อจัดการงานเชิงธุรการและข้อมูล ให้หน่วยงานสามารถโฟกัสงานเชิงนโยบายและบริการที่มีมูลค่าสูงกว่า
การฟื้นฟูแรงงาน (Workforce renewal) — สร้างเส้นทางอาชีพใหม่ผ่านการ reskilling และ upskilling เพื่อให้พนักงานสามารถทำงานร่วมกับเทคโนโลยีใหม่ และสร้างงานที่มีคุณภาพและความมั่นคงยิ่งขึ้น

ในมุมมองเชิงผลลัพธ์ ระยะสั้นภาครัฐคาดว่าจะเห็นการประหยัดต้นทุนบางส่วนและการรักษาการให้บริการสำคัญผ่านการปรับเวิร์กโฟลว์และ outsourcing บริการที่ไม่ใช่หลัก ขณะเดียวกันต้องรับประกันว่าการเปลี่ยนแปลงจะไม่ทำให้ช่องว่างในการเข้าถึงบริการของประชาชนเพิ่มขึ้น ในระยะยาวเป้าหมายคือการสร้างหน่วยงานที่ยืดหยุ่นมากขึ้น มีระบบข้อมูลที่เชื่อมโยง และแรงงานที่มีทักษะสูงขึ้น ซึ่งจะช่วยให้ภาครัฐสามารถตอบสนองต่อวิกฤตต่าง ๆ ได้รวดเร็วขึ้นและผลักดันการเติบโตทางเศรษฐกิจเชิงดิจิทัลได้อย่างยั่งยืน

3. การร่วมงานกับ AI และโครงการ Reskilling/ Upskilling

การนำปัญญาประดิษฐ์ (AI) เข้ามาเป็นองค์ประกอบสำคัญในการฟื้นฟูกำลังคนภาครัฐต้องมองในเชิงปฏิบัติ โดยตั้งเป้าให้ AI เป็น ผู้ร่วมงาน (collaborator) ไม่ใช่ตัวแทนที่เข้ามาแทนที่ทั้งหมด โมเดลการใช้ AI ควรถูกออกแบบให้สอดคล้องกับหน้าที่ของหน่วยงาน แบ่งเป็นสามแนวทางหลัก ได้แก่ การอัตโนมัติงานที่ทำซ้ำ (Automation) เพื่อปลดภาระงานเชิงธุรการ การใช้ AI เพื่อสนับสนุนการตัดสินใจ (Decision‑Support) สำหรับผู้บริหารและพนักงานเชิงนโยบาย และการวิเคราะห์ข้อมูลเชิงลึก (Analytics) เพื่อยกระดับการวางแผนนโยบายและบริการสาธารณะ ตัวอย่างเช่น ระบบ RPA ร่วมกับโมเดล NLP สามารถลดเวลาการป้อนข้อมูลเอกสารลงได้ ประมาณ 30–50% ในขณะที่แพลตฟอร์มวิเคราะห์ข้อมูลช่วยให้การคาดการณ์ความต้องการบริการล่วงหน้ามีความแม่นยำมากขึ้น ส่งผลให้การจัดสรรทรัพยากรมีประสิทธิภาพขึ้น

เพื่อให้การเปลี่ยนผ่านนี้เป็นรูปธรรม จำเป็นต้องจัดตั้งโครงการฝึกอบรมที่เป็นระบบและหลากหลาย ทั้งในรูปแบบเข้มข้นและยืดหยุ่นที่ตอบโจทย์พนักงานแต่ละกลุ่ม ตัวอย่างรูปแบบโครงการได้แก่

Bootcamps เข้มข้น 4–12 สัปดาห์ มุ่งทักษะด้านการเขียนโปรแกรมพื้นฐาน (Python/SQL), การใช้เครื่องมือ RPA และการวิเคราะห์ข้อมูลเชิงปฏิบัติ เหมาะสำหรับพนักงานที่ต้องการเปลี่ยนบทบาทอย่างรวดเร็ว
Micro‑credentials หลักสูตรสั้น 5–40 ชั่วโมง ให้เกียรติบัตรเฉพาะทักษะ เช่น การจัดการข้อมูล, ความปลอดภัยไซเบอร์สำหรับหน่วยงานภาครัฐ, ความเข้าใจโมเดล AI และการใช้ API — สามารถสะสมเป็น stackable credential เพื่อยกระดับเป็นใบประกาศรับรองสายอาชีพ
Partnerships ความร่วมมือกับมหาวิทยาลัย, สถาบันฝึกอบรมเทคโนโลยี, และผู้ให้บริการคลาวด์เพื่อสร้างหลักสูตรที่สอดคล้องกับความต้องการจริงของภาครัฐ รวมถึงการร่วมมือกับภาคเอกชนในรูปแบบ apprenticeship และ on‑the‑job training
Blended learning และ mentoring ผสมผสาน e‑learning ผ่านแพลตฟอร์มภายใน (LMS), MOOCs (เช่น Coursera/edX) และชั้นเรียนเชิงปฏิบัติ พร้อมระบบพี่เลี้ยง (mentorship) เพื่อให้การเรียนรู้เชื่อมโยงกับงานประจำ

การประเมินผลและมาตรการวัดความสำเร็จเป็นหัวใจสำคัญของโครงการ reskilling/upskilling โดยควรกำหนดตัวชี้วัดหลัก (KPIs) ที่ชัดเจนทั้งด้านทักษะและผลลัพธ์การบริการ ตัวอย่างตัวชี้วัดที่แนะนำได้แก่

ตัวชี้วัดทักษะ: คะแนนก่อน/หลังการฝึกอบรม (pre/post assessment), อัตราการได้รับ micro‑credential หรือใบรับรอง, จำนวนชั่วโมงการเรียนรู้ต่อพนักงานต่อปี
อัตราการกลับเข้าทำงาน/การ redeployment: เปอร์เซ็นต์พนักงานที่ได้รับการถ่ายโอนหรือปรับบทบาทภายใน 6–12 เดือนหลังฝึกอบรม — เป้าหมายเช่น 40–60% ขึ้นอยู่กับบริบท
ผลต่อประสิทธิภาพบริการ: เวลาตอบสนองคำขอบริการ, อัตราความผิดพลาดในการประมวลผลเอกสาร, คะแนนความพึงพอใจของประชาชน (CSAT) และค่าใช้จ่ายต่อรายการบริการ ซึ่งสามารถตั้งเป้าลดเวลา/ต้นทุนได้ เช่น ลดเวลาประมวลผลงานที่ทำซ้ำ 30% ภายในปีแรกของการใช้งาน

การนำไปปฏิบัติควรเริ่มจากการสำรวจช่องว่างทักษะ (skills gap analysis) และการทดลองเชิงนโยบาย (pilot) ในหน่วยงานหรือกระบวนการที่มีผลกระทบต่ำก่อนขยายผลเป็นวงกว้าง พร้อมจัดตั้งคณะกรรมการกำกับดูแลด้านทรัพยากรบุคคล เทคโนโลยี และจริยธรรมเพื่อดูแลประเด็นความเป็นส่วนตัว ความเท่าเทียม และการเปลี่ยนแปลงบทบาทงาน นอกจากนี้ การสร้างวัฒนธรรมการเรียนรู้ต่อเนื่อง (continuous learning culture) ด้วยแรงจูงใจ เช่น เงินทุนสนับสนุนการเรียน ค่าตอบแทนสำหรับ certification และเส้นทางการเติบโตที่ชัดเจน จะช่วยให้โครงการ reskilling/upskilling ประสบผลสำเร็จและยั่งยืน

4. รูปแบบการจ้างงานใหม่และบทบาทที่ต้องการในภาครัฐ

เพื่อฟื้นฟูและปรับโครงสร้างกำลังคนหลังการลดพนักงานครั้งใหญ่ ภาครัฐจำเป็นต้องเปลี่ยนรูปแบบการจ้างงานจากระบบตำแหน่งแบบเดิมมาเป็นโมเดลที่ยืดหยุ่น มุ่งเน้นทักษะดิจิทัลและการวิเคราะห์เป็นสำคัญ แนวโน้มในภูมิภาคชี้ว่า ประมาณร้อยละ 50–65 ของหน่วยงานภาครัฐมีแผนเพิ่มบุคลากรด้านดิจิทัลภายใน 3 ปีข้างหน้า ซึ่งสะท้อนความจำเป็นของการสร้างตำแหน่งใหม่ที่ผสานทั้งองค์ความรู้ด้านเทคโนโลยีและนโยบายสาธารณะ

ตำแหน่งใหม่ที่ภาครัฐควรเร่งสรรหาและพัฒนา ได้แก่:

Data Scientist / Data Engineer — วิเคราะห์ข้อมูลเชิงนโยบาย สร้างโมเดลพยากรณ์ และดูแลท่อข้อมูล (data pipelines) สำหรับการตัดสินใจเชิงนโยบาย
AI Ethicist / Responsible AI Officer — ประเมินความเสี่ยงด้านจริยธรรม พิจารณาผลกระทบทางสังคม และออกแบบแนวปฏิบัติการใช้ AI ที่โปร่งใสและเป็นธรรม
Digital Service Manager — บริหารโครงการบริการดิจิทัล ประสานงานระหว่างนักพัฒนา UX และเจ้าหน้าที่นโยบาย เพื่อให้บริการสาธารณะสามารถใช้งานได้จริง
Policy Technologist / Hybrid Roles — บุคลากรที่มีทักษะทั้งด้านนโยบายและเทคนิค (เช่น ความเข้าใจ API, CI/CD) เพื่อเชื่อมโยงการออกแบบนโยบายกับการนำเทคโนโลยีไปใช้
Cybersecurity Specialist และ DevOps for Government — รักษาความมั่นคงของระบบและสนับสนุนการนำระบบขึ้นใช้งานอย่างต่อเนื่อง
UX Researcher และ Community Engagement Officer — ออกแบบประสบการณ์ผู้ใช้และสร้างกลไกรับฟังความคิดเห็นจากประชาชน

ในเรื่องรูปแบบสัญญาจ้าง ภาครัฐควรนำระบบที่ยืดหยุ่นหลายมิติ (flexible contracting models) มาใช้ โดยผสมผสานระหว่างพนักงานประจำกับแรงงานตามโครงการและผู้เชี่ยวชาญภายนอก ตัวอย่างรูปแบบได้แก่:

สัญญาจ้างตามโครงการ (contract-based) — ว่าจ้างผู้เชี่ยวชาญระยะสั้นสำหรับโครงการเฉพาะ เช่น การพัฒนาระบบโมเดล AI ระยะ 6–12 เดือน
โมเดลแรงงานผสม (hybrid models) — พนักงานแกนกลางรับผิดชอบนโยบายและการกำกับดูแล ขณะที่ผู้เชี่ยวชาญสัญญาจ้างเข้ามาช่วยด้านเทคนิคเมื่อจำเป็น
งานแบบพาร์ทไทม์, secondment และ fellowship — เปิดโอกาสแลกเปลี่ยนบุคลากรกับภาคเอกชน/สถาบันการศึกษา เพื่อเร่งการถ่ายทอดทักษะ
Public–private partnership (PPP) และ talent pools — สร้างคลังผู้เชี่ยวชาญที่สามารถเรียกใช้ได้ตามความจำเป็น (on-demand)

กลไกการสรรหาและการประเมินทักษะใหม่ต้องมุ่งสู่การคัดเลือกแบบอิงทักษะ (skills-based hiring) มากกว่าการพิจารณาจากวุฒิการศึกษาตรงตามตำแหน่งเพียงอย่างเดียว โดยแนวทางสำคัญได้แก่:

การทดสอบความสามารถเชิงปฏิบัติ — Coding tests, data challenges, policy simulation case studies ที่สะท้อนงานจริงในหน่วยงาน
Portfolio และผลงานที่จับต้องได้ — ประเมินโปรเจ็กต์จริง ผลงาน open-source หรือบทความเชิงเทคนิคแทนการประเมินเรซูเม่เพียงอย่างเดียว
Assessment centers และ situational judgement tests — ประเมินทักษะด้านการตัดสินใจภายใต้ข้อจำกัดเชิงนโยบายและจริยธรรม
Micro-credentials และการรับรองทักษะ — ยอมรับการรับรองระยะสั้นจากสถาบันที่เชื่อถือได้ พร้อมใช้เป็นเกณฑ์ปรับเลื่อนตำแหน่ง
โปรแกรมฝึกงานเชิงปฏิบัติและ apprenticeship — ให้โอกาสทดลองงานก่อนว่าจ้างจริง เพื่อลดความเสี่ยงและเร่งการเรียนรู้

ในด้านโครงสร้างค่าตอบแทนและสิทธิประโยชน์ ภาครัฐต้องออกแบบให้สามารถแข่งขันกับตลาดแรงงานเอกชนได้โดยไม่ละทิ้งหลักความเป็นสาธารณะ แนวปฏิบัติที่แนะนำได้แก่:

ระบบแบนด์ค่าตอบแทนแบบผสม (market-aligned pay bands) — กำหนดช่วงเงินเดือนตามระดับทักษะและตลาด พร้อมมีช่องทางรับรางวัลพิเศษสำหรับความเชี่ยวชาญเฉพาะด้าน
โบนัสตามโครงการและ retention incentives — ให้รางวัลผู้ที่สำเร็จโครงการเชิงยุทธศาสตร์หรืออยู่ในตำแหน่งสำคัญระยะยาว
สิทธิประโยชน์เชิงการเรียนรู้และการเติบโต — งบประมาณฝึกอบรม, บริการรับรองทักษะ, วันลาพัฒนาตนเอง (learning leave) เพื่อสร้างแรงจูงใจที่ยั่งยืน
สวัสดิการที่ยืดหยุ่น — การทำงานแบบ remote/hybrid, เวลาทำงานยืดหยุ่น และสวัสดิการด้านสุขภาพและเกษียณที่ชัดเจน เพื่อรักษาคนที่มีทักษะสำคัญ

ท้ายที่สุด การนำรูปแบบการจ้างงานใหม่ไปปฏิบัติจริงควรเริ่มจากโครงการนำร่อง (pilot) สร้างศูนย์ความเป็นเลิศ (CoE) ด้านดิจิทัล การจัดทำทะเบียนทักษะ (skills registry) และเกณฑ์การประเมินผลเชิง KPI ที่ชัดเจน เพื่อให้การสรรหา การว่าจ้าง และการพัฒนาบุคลากรเป็นไปอย่างมีประสิทธิภาพ โปร่งใส และสามารถตอบสนองต่อความเปลี่ยนแปลงด้านเทคโนโลยีและนโยบายได้อย่างรวดเร็ว

5. กรณีศึกษาและสถิติ: ผลลัพธ์ที่วัดได้จากโครงการนำร่อง

เพื่อให้เห็นภาพผลลัพธ์เชิงปริมาณจากการผสมผสาน AI กับโครงการ reskilling ในภาครัฐ เรานำเสนอกรณีศึกษาที่รายงานผลการทดลองนำร่องจากหน่วยงานและประเทศต่าง ๆ ซึ่งแสดงให้เห็นทั้งอัตราการกลับเข้าทำงานใหม่ (re-employment/redeployment), ผลต่อประสิทธิภาพการให้บริการ, ระยะเวลาในการให้บริการที่ลดลง และการเปลี่ยนแปลงด้านค่าใช้จ่ายในการดำเนินงาน

กรณีศึกษา 1 — สิงคโปร์ (GovTech + SkillsFuture): โครงการนำร่องของหน่วยงาน GovTech ร่วมกับโครงการฝึกอบรมของ SkillsFuture มุ่งเป้าปรับทักษะเจ้าหน้าที่ราชการให้ทำงานร่วมกับระบบอัตโนมัติและโมเดล AI (เช่น chatbot, RPA สำหรับกระบวนการพื้นฐาน) ผลลัพธ์ที่รายงานจากรอบแรกของโครงการ ได้แก่:

อัตราการจ้างงานใหม่/การปรับบทบาท: เจ้าหน้าที่เดิมราว 68% ถูก redeployed ไปยังตำแหน่งที่มีมูลค่าเพิ่มสูงขึ้น เช่น การวิเคราะห์ข้อมูลและการจัดการโครงการดิจิทัล
การเพิ่มผลผลิต: งานที่ใช้ระบบอัตโนมัติเห็น productivity เพิ่มขึ้นเฉลี่ย 25–40% เนื่องจากลดเวลาที่ใช้กับงานเชิงธุรการ
เวลาในการให้บริการ: คำถามและคำขอพื้นฐานที่ตอบโดย chatbot ลดเวลาเฉลี่ยในการตอบจากหลายชั่วโมงเหลือเป็นนาที ส่งผลให้ความพึงพอใจของผู้ใช้บริการเพิ่มขึ้น
ค่าใช้จ่าย: ค่าใช้จ่ายต่อรายการ (unit cost) ลดลงประมาณ 20–30% เมื่อคำนึงถึงต้นทุนแรงงานที่ถูกชดเชยด้วยระบบอัตโนมัติ

กรณีศึกษา 2 — เอสโตเนีย (e-Government และการพัฒนาทักษะดิจิทัล): เอสโตเนียเป็นตัวอย่างของประเทศที่ผสานบริการดิจิทัลกับการฝึกอบรมประชาชนและข้าราชการ ผลจากการขยายบริการอิเล็กทรอนิกส์และการ reskilling ทางดิจิทัลพบว่า:

การใช้บริการดิจิทัล: มากกว่า 90–98% ของการยื่นแบบภาษีและธุรกรรมพื้นฐานถูกทำออนไลน์ ส่งผลให้ความจำเป็นในการเดินทางและการติดต่อแบบตัวต่อลดลงอย่างมาก
ผลต่อเวลาการให้บริการ: เวลาการประมวลผลคำขอพื้นฐานลดจากหลายวันเหลือเป็นชั่วโมงหรือนาทีในหลายกระบวนการ
การจ้างงานและการปรับบทบาท: เจ้าหน้าที่ที่เคยทำงานเชิงธุรการจำนวนมากได้รับการฝึกอบรมใหม่และ 60%+ ถูกย้ายไปทำงานที่เกี่ยวข้องกับการบริหารระบบดิจิทัลหรือบริการลูกค้าที่ซับซ้อนยิ่งขึ้น
ค่าใช้จ่ายสาธารณะ: ต้นทุนการดำเนินงานต่อคำขอลดลงอย่างมีนัยสำคัญ เมื่อรวมผลประหยัดจากสเกลของบริการออนไลน์

กรณีศึกษา 3 — หน่วยงานรัฐในสหราชอาณาจักร (บริการสวัสดิการและภาษี): หน่วยงานที่นำ RPA และโมเดล AI เข้ามาช่วยคัดกรองคำขอและตรวจสอบข้อมูลเบื้องต้นในโครงการนำร่อง รายงานผลดังนี้:

อัตราการประมวลผล: เวลาการประมวลผลเคสเบื้องต้นลดลงราว 40–55% ทำให้เคสที่ต้องการความเห็นของมนุษย์ได้รับการจัดลำดับความสำคัญได้ดีขึ้น
การจัดสรรกำลังคน: พนักงานเดิมประมาณ 30% ถูกอบรมและย้ายไปทำงานด้านตรวจสอบเชิงลึกและบริการเชิงนโยบาย ซึ่งถือเป็นการเลื่อนระดับทักษะ (upskilling)
ผลกระทบต่อค่าใช้จ่าย: แม้มีค่าใช้จ่ายเริ่มต้นสำหรับเทคโนโลยีและการฝึกอบรม แต่ค่าใช้จ่ายประจำลดลงประมาณ 15–25% ในช่วงปีที่ 2–3 ของโปรแกรม

บทเรียนสำคัญและข้อควรระวังจากโครงการนำร่อง

ตั้งตัวชี้วัดเชิงปริมาณตั้งแต่ต้น: ความสำเร็จวัดได้จาก KPI ที่ชัดเจน เช่น อัตราการ redeployment, เวลาตอบสนองเฉลี่ย, ต้นทุนต่อรายการ และ NPS ของผู้รับบริการ
ลงทุนใน reskilling ที่มีคุณภาพ: อัตราการย้ายตำแหน่งสำเร็จสูงขึ้นเมื่อโปรแกรมฝึกอบรมผสมทั้งทักษะเทคนิคและทักษะการจัดการการเปลี่ยนแปลง
จัดการความเสี่ยงด้านข้อมูลและความโปร่งใส: การใช้ AI ในบริการสาธารณะต้องคำนึงถึงความเป็นส่วนตัว การอธิบายการตัดสินใจของระบบ และการกำกับดูแลที่ชัดเจน
ระวังผลกระทบเชิงสังคมและการสื่อสารเชิงรุก: หากไม่มีการสื่อสารที่ดี อาจเกิดความวิตกกังวลเกี่ยวกับการสูญเสียงาน จึงต้องมีมาตรการคุ้มครองและเส้นทางอาชีพที่ชัดเจน
ผลลัพธ์ไม่เกิดขึ้นทันที: หลายโครงการต้องใช้เวลาหลายไตรมาสถึงปีในการเห็นการประหยัดค่าใช้จ่ายสุทธิ เนื่องจากมีค่าใช้จ่ายเริ่มต้นด้านเทคโนโลยีและการฝึกอบรม

สรุปได้ว่า โครงการนำร่องที่ประสบความสำเร็จมักผสานการลงทุนด้านเทคโนโลยี AI กับโปรแกรม reskilling ที่เป็นระบบ และตั้งตัวชี้วัดเชิงปริมาณตั้งแต่ต้น ผลลัพธ์ที่รายงานโดยทั่วไปคืออัตราการ redeployment ที่สูงขึ้น การให้บริการที่รวดเร็วขึ้น และต้นทุนต่อรายการที่ลดลง แต่การวางแผนที่รอบคอบในเรื่องการคุ้มครองแรงงาน ความโปร่งใสของ AI และการติดตามผลระยะยาวเป็นปัจจัยจำเป็นเพื่อหลีกเลี่ยงผลกระทบเชิงลบต่อสังคมและภารกิจของหน่วยงานรัฐ

6. ความเสี่ยง อุปสรรค และข้อเสนอเชิงนโยบาย

การปรับกลยุทธ์ภาครัฐหลังการลดพนักงานครั้งใหญ่เพื่อหันมาพึ่งพา AI และการจ้างงานใหม่ แม้จะมีศักยภาพในการฟื้นฟูกำลังคน แต่มีความเสี่ยงและอุปสรรคทั้งทางเทคนิค สังคม และงบประมาณที่ต้องบริหารจัดการอย่างรอบคอบ หากไม่ดำเนินมาตรการเชิงนโยบายควบคู่ไปด้วย อาจเกิดผลลบต่อความเสมอภาคของตลาดแรงงาน ความเป็นส่วนตัวของประชาชน และความน่าเชื่อถือของระบบราชการ ตัวอย่างเช่น งานศึกษาและการสำรวจหลายแห่งระบุว่า ช่องว่างทักษะ (skill gaps) อาจบังคับให้แรงงานร้อยละ 10–30 ต้องเปลี่ยนหน้าที่หรือเพิ่มทักษะภายในทศวรรษหน้า ขณะเดียวกัน อคติในระบบ AI (algorithmic bias) สามารถสอดแทรกการเลือกปฏิบัติในการสรรหาและประเมินผลได้ หากไม่มีมาตรการด้านความโปร่งใสและการตรวจสอบ

ในแง่ของความเป็นส่วนตัว การนำ AI มาประยุกต์ใช้กับการฝึกอบรมและการติดตามผลการทำงานมักต้องเก็บรวบรวมข้อมูลบุคคลเชิงละเอียด ซึ่งมีความเสี่ยงทั้งการรั่วไหลของข้อมูลและการนำข้อมูลไปใช้ในทางที่ละเมิดสิทธิ์ หากกฎหมายคุ้มครองข้อมูลส่วนบุคคลไม่แข็งแรงเพียงพอหรือหน่วยงานไม่มีมาตรการรักษาความปลอดภัยเชิงเทคนิค ผลกระทบต่อประชาชนจะรุนแรงมากขึ้น นอกจากนี้ ภาคีเอกชนที่เข้ามาร่วมให้บริการมักมีข้อจำกัดด้านแรงจูงใจ — เช่น มุ่งหาโซลูชันที่ให้ผลลัพธ์ระยะสั้นหรือทำ vendor lock-in กับระบบเฉพาะเจาะจง ซึ่งอาจขัดกับผลประโยชน์สาธารณะ

ด้านงบประมาณ ภาครัฐที่ต้องประหยัดหลังการลดพนักงานอาจไม่มีทรัพยากรเพียงพอสำหรับโปรแกรมฝึกอบรมขนาดใหญ่ การจ่ายค่าชดเชย หรือการลงทุนในโครงสร้างพื้นฐานดิจิทัล การพึ่งพาการร่วมมือกับภาคเอกชนโดยไม่ได้กำหนดเงื่อนไขชัดเจนอาจทำให้การลงทุนด้านทักษะไม่ครอบคลุมกลุ่มเปราะบาง เช่น คนพิการ ผู้สูงอายุ หรือแรงงานในพื้นที่ห่างไกล ส่งผลให้เกิดความเหลื่อมล้ำทางโอกาสในการเข้าถึงงานใหม่

เพื่อรับมือกับความเสี่ยงและอุปสรรคดังกล่าว ควรพิจารณาข้อเสนอเชิงนโยบายที่เป็นระบบ ประกอบด้วยมาตรการเชิงกฎระเบียบ การจัดสรรงบประมาณสนับสนุน และกรอบการติดตามประเมินผล โดยข้อเสนอที่สำคัญได้แก่

กรอบการกำกับดูแล AI ที่ชัดเจนและปรับใช้ได้จริง — กำหนดหลักการพื้นฐาน เช่น ความโปร่งใส การรับผิดชอบ การประเมินผลกระทบด้านสิทธิมนุษยชน และการตรวจสอบอคติ ก่อนนำ AI มาใช้ในการสรรหาและประเมินผลการทำงาน อ้างอิงแนวทางเช่น impact assessment ที่ใช้ใน EU AI Act และข้อกำหนดการประเมินความเสี่ยงแบบบังคับ
กรอบคุ้มครองข้อมูลและความเป็นส่วนตัว — เสริมความเข้มแข็งของกฎหมายคุ้มครองข้อมูลส่วนบุคคล และกำหนดมาตรฐานการเก็บ การเข้ารหัส และการเปิดเผยข้อมูลในระบบฝึกอบรมและการจ้างงานดิจิทัล เพื่อป้องกันการนำข้อมูลไปใช้ในทางที่ก่อให้เกิดการเลือกปฏิบัติหรือการสอดส่องโดยไม่จำเป็น
เงินทุนสาธารณะเพื่อการฝึกอบรมและการปรับทักษะ — จัดตั้งกองทุนฝึกอบรมระดับชาติที่มุ่งสนับสนุนกลุ่มเปราะบางและผู้ถูกเลิกจ้าง ผ่านรูปแบบเงินอุดหนุน โควตาการฝึกอบรม (training vouchers) และสิทธิ์ภาษีสำหรับบริษัทที่ร่วมลงทุนในการพัฒนาทักษะระยะยาว ตัวอย่างเช่น โครงการ SkillsFuture ของสิงคโปร์ที่ให้เครดิตฝึกอบรมแก่พลเมือง
ระบบประเมินทักษะระดับชาติและมาตรฐานกลาง — พัฒนากรอบทักษะที่เชื่อมโยงกับความต้องการตลาด แพลตฟอร์มรับรองทักษะแบบมีมาตรฐาน และฐานข้อมูลสถานะทักษะแรงงานที่ช่วยให้การจับคู่แรงงานกับตำแหน่งงานใหม่เป็นไปอย่างมีประสิทธิภาพและโปร่งใส
การสนับสนุนความร่วมมือสาธารณะ-เอกชนแบบมีเงื่อนไข — ส่งเสริมความร่วมมือระหว่างภาครัฐ มหาวิทยาลัย สถาบันฝึกอบรม และผู้ประกอบการ พร้อมกำหนดสัญญาหรือข้อตกลงที่คุ้มครองผลประโยชน์สาธารณะ เช่น การแชร์ข้อมูลที่ทำได้โดยไม่ละเมิดความเป็นส่วนตัว การถ่ายโอนทักษะ และการหลีกเลี่ยง vendor lock-in
กลไกการติดตามและประเมินผลอย่างเป็นอิสระ — จัดตั้งหน่วยงานหรือคณะกรรมการตรวจสอบนโยบาย AI และการฝึกอบรมที่ประกอบด้วยตัวแทนจากภาครัฐ ภาคประชาสังคม สหภาพแรงงาน และผู้เชี่ยวชาญทางเทคนิค เพื่อรายงานตัวชี้วัดสำคัญ (KPIs) เช่น อัตราการกลับเข้าทำงานหลังฝึกอบรม อัตราผลสำเร็จการฝึกอบรม ความแตกต่างรายกลุ่ม และผลกระทบของอัลกอริทึมต่อการตัดสินใจ
การส่งเสริมการมีส่วนร่วมของสังคมและแรงงาน — เปิดรับฟังความคิดเห็นเชิงสาธารณะก่อนการนำ AI มาใช้ในงานราชการหรือการจ้างงานรูปแบบใหม่ รวมทั้งให้สหภาพแรงงานมีส่วนร่วมในการออกแบบโปรแกรมการฝึกอบรมและมาตรการคุ้มครองผู้ได้รับผลกระทบ เพื่อเพิ่มความชอบธรรมและการยอมรับทางสังคม
นโยบายทดลองและการเรียนรู้แบบเป็นขั้นตอน (pilots และ sandboxes) — เริ่มจากโครงการนำร่องที่มีกระบวนการประเมินผลชัดเจน ก่อนขยายสเกล เพื่อลดความเสี่ยงและปรับปรุงมาตรการตามบทเรียนที่ได้

สรุปคือ การเปลี่ยนผ่านสู่การใช้ AI ประกอบกับการฟื้นฟูแรงงานต้องมีทั้งมาตรการเชิงกฎระเบียบ การลงทุนเชิงนโยบาย และการมีส่วนร่วมของภาคส่วนต่าง ๆ เพื่อบรรเทาความเสี่ยงด้านอคติ ความเป็นส่วนตัว และความเหลื่อมล้ำ หากรัฐออกแบบแนวนโยบายที่ยึดหลักความโปร่งใส ประเมินผลเป็นระยะ และสนับสนุนการเรียนรู้ตลอดชีวิต จะช่วยให้การเปลี่ยนผ่านนี้สร้างคุณค่าอย่างยั่งยืนต่อทั้งแรงงานและสังคมโดยรวม

บทสรุป

หลังการลดพนักงานครั้งใหญ่ ภาครัฐจึงต้องเร่งปรับกลยุทธ์โดยผสานการนำเทคโนโลยีปัญญาประดิษฐ์ (AI) มาใช้ในแนวทางที่รับผิดชอบควบคู่ไปกับโครงการ reskilling และ upskilling เพื่อฟื้นฟูและยกระดับกำลังคนอย่างยั่งยืน การดำเนินงานดังกล่าวควรครอบคลุมทั้งการออกกรอบนโยบายที่ชัดเจน การจัดสรรงบประมาณสนับสนุน โปรแกรมนำร่องร่วมกับภาคเอกชน และการมีส่วนร่วมจากภาคประชาสังคม เพื่อให้การฝึกอบรมเชื่อมโยงกับความต้องการตลาดแรงงานจริง ตัวอย่างจากโครงการนำร่องในบางประเทศชี้ให้เห็นว่าการรวม AI เข้ากับหลักสูตรฝึกทักษะสามารถเร่งการกลับเข้าสู่แรงงานและเพิ่มโอกาสจ้างงานใหม่ได้อย่างมีนัยสำคัญ โดยการศึกษาหลายชิ้นคาดการณ์ว่าการเปลี่ยนแปลงด้านทักษะอาจกระทบงานราว 30–40% ภายในทศวรรษหน้า จึงยิ่งตอกย้ำความจำเป็นในการลงทุนเชิงระบบในด้านการพัฒนาทักษะ

ความสำเร็จของแผนฟื้นฟูต้องวางกลไกติดตามประเมินผลเชิงตัวชี้วัด เช่น อัตราการกลับเข้าสู่แรงงาน (re-employment rate), อัตราการได้รับใบรับรองทักษะ, อัตรการรักษาพนักงาน และดัชนีช่องว่างทักษะ เพื่อปรับมาตรการแบบมีข้อมูลรองรับ พร้อมทั้งออกแบบมาตรการคุ้มครองความเป็นธรรมและการใช้เทคโนโลยีอย่างมีจริยธรรมในภาครัฐ มุมมองอนาคตจึงควรมุ่งไปที่การสร้างระบบนิเวศที่เชื่อมโยงภาครัฐ เอกชน และสังคม โดยใช้ข้อมูลแรงงานเรียลไทม์ โครงการนำร่องที่ขยายผลได้ และกองทุน reskilling ระดับชาติเป็นเครื่องมือ เพื่อให้การเปลี่ยนผ่านสู่เศรษฐกิจที่ขับเคลื่อนด้วย AI เป็นไปอย่างยั่งยืน ยึดผู้คนเป็นศูนย์กลาง และลดผลกระทบเชิงลบต่อแรงงานอย่างเป็นรูปธรรม

📰 แหล่งอ้างอิง: Federal News Network