ยิ่งมี AI ผู้บริหารยิ่งต้อง “รู้เรื่องคน” ให้มากขึ้น ไม่ใช่น้อยลง

ช่วงนี้เวลาพูดถึง AI ในองค์กร เรามักพูดถึงความสามารถในการวิเคราะห์ข้อมูล การคาดการณ์แนวโน้ม หรือการช่วยให้ผู้บริหารมองเห็นสิ่งที่เกิดขึ้นได้เร็วกว่าเดิม KPI เริ่มหลุด Turnover เริ่มสูง บางทีม Performance ลดลง Skill Gap เริ่มกระจุกตัว หรือบางหน่วยงานมี Productivity ต่างจากทีมอื่นอย่างผิดสังเกต AI สามารถช่วยหา Pattern เหล่านี้ได้เร็วมาก และนี่เป็นประโยชน์อย่างชัดเจน แต่มีประเด็นหนึ่งที่ผมคิดว่าสำคัญไม่แพ้กัน ยิ่ง AI ช่วยให้เราเห็น “สัญญาณ” ได้มากขึ้น ผู้บริหารกลับยิ่งต้องเข้าใจเรื่องคนให้ลึกกว่าเดิม เพราะข้อมูลบอกได้ว่า “มีอะไรเกิดขึ้น” แต่ไม่ได้บอกเราเสมอไปว่า “ทำไมมันถึงเกิดขึ้น” และความแตกต่างระหว่างสองคำถามนี้ อาจเป็นจุดที่ทำให้ผู้บริหารตัดสินใจถูกหรือผิดได้เลย

Dashboard บอกว่า Performance ลด แต่ไม่ได้บอกว่า “เพราะอะไร”

สมมติ CEO เปิด Dashboard แล้วเห็นว่าทีมหนึ่ง Performance ลดลงต่อเนื่อง 3 เดือน ตัวเลขชัดมาก จากเดิม 92% เหลือ 84% และล่าสุดลงมาอยู่ที่ 76% คำถามคือ เราควรทำอะไรต่อ? ถ้ามองจากข้อมูลเพียงอย่างเดียว เราอาจรีบสรุปว่า ทีมนี้ทำงานไม่ดีพอ หัวหน้าต้องเร่ง Performance หรือพนักงานอาจต้องถูกพัฒนาเพิ่มเติม แต่พอลงไปดูจริง สาเหตุอาจแตกต่างกันโดยสิ้นเชิง บางทีมเพิ่งได้รับงานเพิ่ม แต่จำนวนคนเท่าเดิม บางทีมเปลี่ยน Manager และ Role ของแต่ละคนยังไม่ชัด บางทีมมีพนักงานที่ Skill ไม่ตรงกับงานใหม่ บางทีมมีคนเก่งลาออก แล้วความรู้หายไปพร้อมกับคน หรือบางครั้ง Strategy เปลี่ยนเร็วมาก จนทีมยังทำงานด้วย Capability และ Process แบบเดิม ทั้งหมดสามารถแสดงออกมาเป็นตัวเลขเดียวกันว่า Performance ลดลง แต่แนวทางแก้ไขไม่เหมือนกันเลย นี่คือเหตุผลที่ผมคิดว่า ผู้บริหารยุค AI ต้องเข้าใจ People Context มากขึ้น ไม่ใช่น้อยลง

Data บอก “What” แต่คนช่วยให้เราเข้าใจ “Why”

ในเชิงการวิเคราะห์ข้อมูล เรื่องนี้ค่อนข้างพื้นฐาน เราเห็นความสัมพันธ์ของตัวแปร ไม่ได้หมายความว่าเราพบสาเหตุแล้ว Turnover สูงพร้อมกับ Performance ลด ไม่ได้แปลว่า Turnover เป็นสาเหตุของ Performance ที่ลดลงเสมอไป เป็นไปได้ว่า ทั้งสองเรื่องเกิดจาก Manager คนเดียวกัน เกิดจาก Workload เกิดจากโครงสร้างใหม่ หรือเกิดจากความไม่ชัดเจนของทิศทางองค์กร นี่เป็นความแตกต่างระหว่าง Correlation กับ Causation AI สามารถช่วยเราค้นหาความสัมพันธ์ได้ดีมากขึ้น แต่เมื่อเรื่องนั้นเกี่ยวข้องกับ “คน” การตีความยังต้องใช้ Context จากโลกจริงประกอบเสมอ เพราะองค์กรไม่ใช่ห้องทดลอง คนไม่ได้ตอบสนองต่อสิ่งเดียวกันด้วยวิธีเดียวกัน

คน 2 คน มีตัวเลขเหมือนกัน แต่อาจกำลังเจอคนละปัญหา

ลองดูตัวอย่างง่าย ๆ พนักงาน A และพนักงาน B มี Performance Score ลดลงเท่ากัน ถ้ามองจาก Dashboard ทั้งสองคนอาจถูกจัดอยู่ในกลุ่มเดียวกัน แต่เมื่อหัวหน้าเข้าไปพูดคุย กลับพบว่า พนักงาน A ยังไม่เข้าใจ Role ใหม่ หลังจากองค์กรปรับโครงสร้าง ส่วนพนักงาน B ทำงานได้ แต่กำลังรู้สึกหมดพลังจาก Workload ที่เพิ่มขึ้นต่อเนื่อง ถ้าใช้ Solution เดียวกัน เช่น “ส่งไป Training เพิ่ม” ผลลัพธ์อาจไม่ได้เปลี่ยนอะไรเลย เพราะปัญหาของคนแรกคือ Role Clarity ส่วนอีกคนอาจเป็นเรื่อง Job Demand และ Work Design ข้อมูลบอกให้เรารู้ว่า “ตรงนี้ควรเข้าไปดู” แต่ไม่ได้หมายความว่าเราควรข้ามขั้นจาก Data ไปสู่ Action ทันที

AI ที่ดีควรทำให้ผู้บริหารถามคำถามได้ดีขึ้น

ผมคิดว่าตรงนี้เป็นบทบาทของ AI ที่สำคัญมาก AI ไม่จำเป็นต้องบอกผู้บริหารว่า “คุณต้องทำแบบนี้” แต่มันควรช่วยให้ผู้บริหารเห็นว่า มีอะไรผิดปกติ เกิดขึ้นที่ไหน เริ่มตั้งแต่เมื่อไร เกิดกับใคร และมีข้อมูลอะไรอีกที่อาจเกี่ยวข้องกัน ตัวอย่างเช่น แทนที่จะรายงานเพียงว่า Turnover เพิ่มเป็น 18% ระบบวิเคราะห์ที่ดีอาจทำให้เราเห็นต่อว่า Turnover เพิ่มเฉพาะบางหน่วยงาน ส่วนใหญ่เกิดกับพนักงานที่อายุงาน 1–2 ปี เกิดขึ้นหลังจากมีการเปลี่ยน Manager และช่วงเดียวกัน Engagement ของทีมนั้นลดลงด้วย ตรงนี้ยังไม่ใช่ข้อสรุปว่า Manager คือสาเหตุ แต่มันทำให้ผู้บริหารรู้ว่า “เรื่องนี้ควรเข้าไปทำความเข้าใจต่อ” นี่ต่างหากที่ Data เริ่มมีคุณค่า

ความเสี่ยงใหม่ของยุค AI คือ “มั่นใจในข้อมูลมากเกินไป”

เมื่อ Dashboard สวยขึ้น ข้อมูล Real-time มากขึ้น AI วิเคราะห์ได้ละเอียดขึ้น สิ่งหนึ่งที่ต้องระวังคือ ผู้บริหารอาจรู้สึกว่า “เรารู้แล้วว่าเกิดอะไรขึ้น” ทั้งที่จริงเราอาจรู้เพียงครึ่งเดียว ตัวเลขมีความน่าเชื่อถือในสิ่งที่มันถูกออกแบบมาให้วัด แต่ทุกตัวเลขมีขอบเขตของมัน Engagement Score ไม่ได้บอกทุกอย่างเกี่ยวกับความรู้สึกของคน Performance Score ไม่ได้สะท้อนศักยภาพทั้งหมด Turnover Rate ไม่ได้บอกว่าองค์กรกำลังเสียคนแบบไหน Absence สูงไม่ได้หมายความว่าพนักงานไม่มี Commitment เสมอไป นี่คือเหตุผลที่การบริหารด้วย People Analytics ต้องมีทั้ง Data Literacy และ People Literacy ควบคู่กัน

ผู้บริหารที่เก่งเรื่อง Data แต่ไม่เข้าใจคน ก็สามารถตัดสินใจผิดได้

ลองนึกถึงกรณีบริษัทพบว่า ทีมหนึ่งมี Cost สูงกว่าทีมอื่น ถ้าดูตัวเลขเพียงอย่างเดียว Solution อาจดูตรงไปตรงมา ลด Headcount แต่ถ้าทีมนั้นกำลังดูแล Strategic Customer หรือมี Specialist ที่ถือ Critical Knowledge หรือกำลังสร้าง Capability ใหม่ที่ Strategy ในอีก 2 ปีต้องใช้ การลด Cost วันนี้อาจสร้างต้นทุนที่สูงกว่ามากในอนาคต นี่คือสิ่งที่เรียกว่า People Risk และ People Risk ไม่ได้อยู่เฉพาะใน HR Dashboard มันสามารถกลายเป็น Operational Risk Customer Risk Succession Risk และสุดท้ายคือ Business Risk ได้ทั้งหมด ดังนั้น CEO ไม่จำเป็นต้องเข้าไปทำหน้าที่ของ HR แต่ CEO ต้องเข้าใจว่า Decision เรื่องคนสามารถเปลี่ยนผลลัพธ์ทางธุรกิจได้อย่างไร

ยิ่ง AI เก่งขึ้น Leadership ยิ่งสำคัญ

เรื่องนี้ดูเหมือนขัดแย้งกันเล็กน้อย เรามี Technology มากขึ้น แต่กลับต้องการ Leadership มากขึ้น เหตุผลคือ AI สามารถช่วยลดต้นทุนของการเข้าถึงข้อมูลได้อย่างมหาศาล แต่เมื่อเห็นข้อมูลแล้ว ใครจะเป็นคนพูดคุยกับทีม? ใครจะเข้าไปทำความเข้าใจ Context? ใครจะตัดสินใจว่าจะปรับ Role หรือปรับคน? ใครจะสร้าง Psychological Safety ให้พนักงานพูดความจริง? และใครจะตัดสินว่าเรื่องนี้ควรแก้ด้วย Training Coaching Work Design Organization Structure หรือเปลี่ยน Priority ของ Strategy? คำตอบยังคงเป็น “คน” AI ช่วยวิเคราะห์สถานการณ์ได้ แต่ Leadership เป็นสิ่งที่เปลี่ยนสถานการณ์นั้นให้ดีขึ้น

อย่าใช้ AI เพื่อทำให้เรื่องคนกลายเป็น “ตัวเลขมากขึ้น”

ผมคิดว่านี่คือกับดักอีกอย่างหนึ่ง องค์กรเริ่มมี People Analytics แล้ว ก็อยากวัดทุกอย่าง มี Score มี Ranking มี Prediction มี Risk Level สุดท้ายพนักงานหนึ่งคนอาจกลายเป็นชุดตัวเลขเต็ม Dashboard แต่เป้าหมายของ People Analytics ไม่ควรเป็นการทำให้มนุษย์กลายเป็นตัวเลข เป้าหมายควรเป็น ใช้ข้อมูลเพื่อช่วยให้เราเข้าใจสถานการณ์ของคนได้ดีขึ้น นี่ต่างกันมาก เพราะถ้าเราเริ่มเชื่อว่า Score คือความจริงทั้งหมด เราจะสูญเสียสิ่งที่ข้อมูลวัดไม่ได้ เช่น ความสัมพันธ์ ความไว้ใจ แรงจูงใจ ความหมายของงาน หรือบริบทชีวิตของคน ซึ่งสิ่งเหล่านี้มีผลต่อ Performance จริงไม่แพ้ตัวเลขที่อยู่ในระบบ

ผู้บริหารจึงต้องแยกให้ออกระหว่าง “Signal” กับ “Conclusion”

ผมคิดว่านี่เป็นทักษะสำคัญมากในยุค AI ถ้า AI บอกว่า “พนักงานคนนี้มีความเสี่ยงลาออกสูง” นี่คือ Signal ไม่ใช่ Conclusion ว่า “เขากำลังจะลาออก” ถ้า AI บอกว่า “ทีมนี้ Performance ลดผิดปกติ” มันไม่ได้แปลว่า “ทีมนี้มีปัญหาเรื่องคน” มันเพียงบอกว่า มีบางอย่างเกิดขึ้นที่ควรเข้าไปทำความเข้าใจ เมื่อผู้บริหารแยกสองเรื่องนี้ออก AI จะกลายเป็นเครื่องมือสนับสนุนการตัดสินใจที่มีประโยชน์มาก แต่ถ้าเราเอา Signal ไปใช้เป็น Verdict AI ก็สามารถขยาย Bias ขององค์กรให้รุนแรงขึ้นได้เช่นกัน

จาก People Analytics ไปสู่ People Judgment

ผมคิดว่าอนาคตของการบริหารคนจะไม่ได้แข่งขันกันที่ว่าใครมีข้อมูลมากกว่าอย่างเดียว แต่จะอยู่ที่ ใครสามารถใช้ข้อมูลร่วมกับ Judgment ได้ดีกว่า AI ช่วยตอบว่า What is happening? Data ช่วยให้เราดูว่า Where and when is it happening? แต่ผู้บริหารยังต้องเข้าไปตอบว่า Why is it happening? และที่สำคัญที่สุด What should we do about it? ตรงระหว่าง Why กับ What should we do นี่เองที่ต้องใช้ การสนทนา การฟัง ประสบการณ์ การออกแบบงาน และ Leadership เข้าไปประกอบ

ดังนั้น AI ไม่ได้ทำให้เรื่อง “คน” สำคัญน้อยลง

ตรงกันข้าม ยิ่งองค์กรใช้ AI มากขึ้น ผู้บริหารยิ่งต้องเข้าใจคนให้มากขึ้น เพราะเราอาจเห็น Signal เร็วกว่าเดิม เห็น Pattern มากกว่าเดิม และมีข้อมูลประกอบการตัดสินใจมากกว่าเดิม แต่ความสามารถในการตีความว่า อะไรคือปัญหาจริง ยังเป็นความสามารถของผู้บริหารที่สำคัญมาก คำถามที่ควรถามจึงไม่ใช่แค่ “AI บอกว่าอะไร?” แต่ต้องถามต่อว่า “สิ่งที่ AI เห็น อธิบายคนและบริบทของทีมเราได้ครบแล้วหรือยัง?” เพราะบางครั้งคำตอบที่ดีที่สุดไม่ได้อยู่ใน Dashboard แต่อยู่ในการสนทนา 30 นาทีระหว่างหัวหน้ากับทีม หรืออยู่ในการยอมรับว่า ปัญหาไม่ได้อยู่ที่คน แต่อยู่ที่งาน โครงสร้าง หรือ Strategy ที่เราออกแบบให้เขาทำ

คำถามทิ้งท้ายสำหรับผู้บริหาร

ถ้าวันนี้ AI แจ้งเตือนว่า Performance ของทีมคุณกำลังลดลง คุณจะเริ่มจากคำถามไหน? “ใครทำผลงานตก?” หรือ “มีอะไรเกิดขึ้นกับทีมนี้ในช่วงที่ผ่านมา?” สองคำถามนี้อาจพาคุณไปสู่คนละคำตอบ และคนละคุณภาพของการตัดสินใจโดยสิ้นเชิง เพราะ AI สามารถช่วยให้เรา เห็นคนผ่านข้อมูล แต่ Leadership ที่ดีต้องช่วยให้เรา เห็นมนุษย์ที่อยู่หลังข้อมูลนั้น

Tags: PeopleAnalytics, PeopleRisk, HumanCenteredAI, LeadershipInAI, PeopleManagement, DataDrivenLeadership, WorkforceAnalytics, OrganizationalBehavior, HumanJudgment, PeopleDecision, FutureOfLeadership, EmployeePerformance, WorkDesign, StrategicPeopleManagement, AIAndPeople