Thailand AI Impact Economic Simulation

บริษัท

ลงทุนให้คนทำงานกับ AI ได้จริง

ก่อนอนุมัติงบ AI ก้อนถัดไป

ถ้าหลายบริษัทจบแค่ลดคน กำไรอาจเพิ่มในแต่ละบริษัท แต่รายได้ที่หายไปก็อาจย้อนกลับมาเป็นลูกค้าที่ซื้อได้น้อยลง

ตั้งงบคนพร้อมกับงบ AI

กันทั้งค่าเรียนและเวลาฝึกในเวลางาน ให้คนลองกับงานจริง โดยมีหัวหน้ารับผิดชอบว่าเรียนแล้วจะได้ใช้ตรงไหน

จัดงานใหม่ให้ชัดว่าใครรับผิดชอบอะไร

เลือกงานหนึ่งกระบวนการ แยกส่วนที่ให้ AI ทำกับส่วนที่คนต้องตรวจหรือตัดสินใจ แล้ววัดเวลาและข้อผิดพลาดก่อนขยายไปทั้งบริษัท

วางแผนใช้เวลาที่ได้คืน

ตกลงตั้งแต่ก่อนเริ่มว่าจะใช้เวลาที่ประหยัดได้หาลูกค้าเพิ่ม ดูแลลูกค้าเดิม หรือย้ายคนไปทำงานอะไร พร้อมงบช่วยคนที่ต้องเปลี่ยนหน้าที่

คนทำงาน

เริ่มขยับตอนที่ยังมีรายได้

เดือนนี้

ถ้ารอจนเสียงาน เวลาฝึกจะชนกับเวลาหารายได้ ทักษะใหม่ช่วยเพิ่มทางเลือก แต่ไม่ได้รับประกันว่าจะมีงานรออยู่

เช็กสิทธิประกันสังคมของตัวเอง

ดูว่าตัวเองอยู่ในระบบประกันสังคมหรือไม่ และส่งเงินสมทบมาแล้วกี่เดือน เงินว่างงานจะได้ก็ต่อเมื่อส่งครบ 6 เดือนใน 15 เดือนก่อนว่างงาน ตรวจเกณฑ์ล่าสุดได้กับสำนักงานประกันสังคม

ฝึกกับงานที่ต้องส่งสัปดาห์นี้

เลือกงานจริงหนึ่งชิ้น ลองใช้ AI แล้วเก็บผลงานก่อนและหลังให้เห็นว่าประหยัดเวลาหรือลดข้อผิดพลาดได้ตรงไหน

ฝึกตัดสินใจในส่วนที่ต้องรับผิดชอบเอง

ฝึกตั้งโจทย์ ตรวจแหล่งข้อมูล และแก้กรณีที่ AI ตอบผิด จนเราอธิบายได้ว่าทำไมจึงเชื่อและเลือกใช้คำตอบนั้น

เตรียมทางไปต่อก่อนจำเป็นต้องใช้

เอาผลงานไปคุยกับนายจ้างเรื่องบทบาทถัดไป พร้อมเช็กสิทธิและรายจ่ายจำเป็น ว่าถ้ารายได้สะดุดจะมีเวลาหางานหรือฝึกต่อแค่ไหน

รัฐ

ให้คนมีรายได้ระหว่างเปลี่ยนงาน

ตอนนี้

ถ้าเงินมาช้าหรือฝึกแล้วไม่มีคนจ้าง คนอาจต้องหยุดเรียนหรือรับงานรายได้ต่ำเพื่อให้ผ่านเดือนนี้ไปก่อน

ให้เงินช่วยถึงก่อนเงินขาดมือ

เชื่อมการแจ้งออกจากงานกับการตรวจสิทธิและวันจ่ายเงินจริง พร้อมทางช่วยคนที่อยู่นอกระบบหรือรอสิทธิไม่ไหว

ให้การฝึกเริ่มจากงานที่มีคนจ้าง

ให้นายจ้างร่วมระบุงานและทักษะที่ต้องการ ช่วยค่าเรียนกับค่าครองชีพระหว่างฝึก แล้วติดตามงานและรายได้หลังจบ

ช่วยคนเริ่มใหม่ให้มีลูกค้า

เปิดงานจัดซื้อของรัฐให้รายเล็กเข้าถึงได้ง่ายขึ้น และช่วยเชื่อมกับลูกค้า เพราะให้ทุนหรือสอนขายของอย่างเดียวไม่ได้ทำให้มีคนซื้อเพิ่ม (ข้อเสนอของเรา ไม่ได้ทดลองในโมเดล)

บริษัทผลิตสินค้าในเส้นทาง A เทียบโลกอ้างอิง ปี 2030: ยอดขาย · ค่าตอบแทนลูกจ้าง · กำไร

เส้นทาง B ธ.ค. 2030: ลูกจ้างลดลงใกล้กัน (ธุรการ จุด · บริการ จุด) แต่ไม่ได้ทำงาน % กับ % · ผล⁠หนึ่ง⁠รอบ

คนแบบเจน: รายได้จากงาน เดือนน้อยกว่าโลกอ้างอิง บาท

สัดส่วนครัวเรือนรายได้ต่ำกว่าเกณฑ์: ทางไปสู่งานอิสระ · คุ้มครองค่าจ้าง

ใน A บริษัทผลิตสินค้าขายได้แทบเท่าเดิม แต่ค่าตอบแทนลูกจ้าง และกำไร

คนแบบเจนอบรมผ่านแล้ว แต่ยังขาดรายได้จากงานหลังลาออก การอบรมจึงไม่ได้รับประกันว่าจะมีงานรออยู่ · โอกาสสอบผ่านที่โมเดลใช้ %

คนแบบเจนได้เงินว่างงานรวม บาทในสามเดือนแรกหลังลาออก แต่ใน B ยังไม่มีรายได้จากงานจนจบการติดตาม · ประกันสังคมทำให้สัดส่วนครัวเรือนรายได้ต่ำกว่าเกณฑ์เปลี่ยนไป

ก่อนใช้ AI ตกลงให้ชัดว่าจะเอาเวลาที่ได้คืนไปทำเงินจากอะไร

เช็กสิทธิประกันสังคม ก่อนจำเป็นต้องใช้

ช่วยคนเริ่มงานอิสระให้มีลูกค้า

ผลจำลอง A: ค่าตอบแทนลูกจ้าง แม้ยอดขายแทบเท่าเดิม

คนแบบเจนได้เงินว่างงานรวม บาทในสามเดือนแรก แต่รายได้จากงานใน B ขาดช่วงนานกว่านั้น

เปิดทางสู่งานอิสระ: ครัวเรือนรายได้ต่ำกว่าเกณฑ์ลดลง จุด · ไม่ใช่ผลทดลองของข้อเสนอนี้

การทดลองนี้เปลี่ยนการอบรมที่คนทำงานจ่ายเอง ขณะที่การอบรมที่บริษัทออกเงินให้ยังมีอยู่ จึงไม่ได้ทดสอบว่าช่วยค่าอบรมคนแบบเจนเพิ่มแล้วจะปิดช่องว่างรายได้ได้หรือไม่

การทดลองนี้เปลี่ยนการอบรมที่คนทำงานจ่ายเอง ขณะที่การอบรมที่บริษัทออกเงินให้ยังมีอยู่ จึงไม่ได้ทดสอบว่าช่วยค่าอบรมคนแบบเจนเพิ่มแล้วจะปิดช่องว่างรายได้ได้หรือไม่

ในกราฟนโยบาย การอบรมที่คนทำงานจ่ายเองทำให้สัดส่วนครัวเรือนรายได้ต่ำขยับไม่ถึงครึ่งจุด ส่วนการอบรมที่บริษัทออกเงินให้มีอยู่ทุกกรณี จึงยังสรุปไม่ได้ว่าเพิ่มเงินค่าอบรมแล้วจะปิดช่องว่างรายได้

ตกลงก่อนเริ่มว่าจะใช้เวลาที่ประหยัดได้หาลูกค้าเพิ่ม ดูแลลูกค้าเดิม หรือย้ายคนไปทำงานอะไร

ตรวจว่าตัวเองอยู่ในระบบ ส่งเงินสมทบครบหรือยัง และมีสิทธิได้เงินว่างงานหรือไม่

ช่วยรายเล็กเข้าถึงงานจัดซื้อของรัฐและลูกค้าใหม่ ให้ทุนหรือสอนขายของอย่างเดียวไม่ได้ทำให้มีคนซื้อเพิ่ม

ในโมเดล คนเสียงานไปรับจ้างนอกระบบหรือกลับไปทำเกษตรไม่ได้ และเกษียณได้เฉพาะคนที่ยังมีงาน ตัวเลขนี้จึงน่าจะสูงกว่าจริง

เศรษฐกิจโต...รายได้ไม่โต
แล้วเงินมันหายไปไหน?

ผลทุกส่วนใช้กติกาแรงงานไทยชุดเดียวกัน รวมการทดลองนโยบายและบันทึกชีวิต

ทางไปต่อของคนเสียงานยังมีจำกัดในโมเดล

ไม่รวมรายได้จากงานอิสระ

ค่าตอบแทนลูกจ้าง / GDP

ช่องกรอบขาว = ส่วนที่ลดลงจากโลกอ้างอิง

B: GDP สูงกว่าราว %

รายได้จากงานต่ำกว่าราว %

ลูกจ้างเหลือ % (โลกอ้างอิง %)

ผลจำลอง ไม่ใช่คำพยากรณ์

ปี 2030 เทียบโลกอ้างอิง

สิ่งที่เริ่มได้ตั้งแต่เดือนนี้

ข้อเสนอของเรา ยังไม่ได้ทดลองในโมเดล

ติดลบ = ช่วยลดครัวเรือนรายได้ต่ำ

แรงงานกลุ่มเดิม

ทยอยหาย

หายไปอย่างไร

ประตูแคบลง

ออกเหมือนกัน

ประตูแคบลงเงียบๆ

เปิดประตูก่อนกดสวิตช์

ทุก 100 คนที่ออกจากงาน โลกอ้างอิง (AI เท่าเดิม) รับคนเข้าแทน 92 คน แต่โลก B (AI เก่งเร็ว) รับแทนเพียง 27 คน ตั้งแต่ปี 2028 แต่ละตำแหน่งว่างมีคนรออยู่ราว 31 คน ขณะที่โลกอ้างอิงมีราว 2 คน

บริษัทมีก๊อกสามตัว คือลดค่าจ้างพื้นฐาน (ไม่เคยเกิดขึ้น) เลิกจ้าง (ช้า) หรือไม่รับคนแทน ตัวสุดท้ายบริษัทไม่เสียอะไร คนที่ควรได้งานจ่ายแทน ต้นทุนก็เหมือนน้ำ ไหลออกทางที่เปิดง่ายที่สุด

งานที่หายแบบนี้ไม่มีจดหมายเลิกจ้างสักฉบับ ไม่มีใครแถลงข่าวเรื่องตำแหน่งที่ไม่เคยเปิดรับ จังหวะเป็นเรื่องของดวง ใครออกจากงานตามปกติในปีที่ AI เต็มกำลัง พอถึงปี 2030 ได้กลับมาเป็นลูกจ้างเพียง 17–18 กรณีจาก 100 (โลกอ้างอิง 92)

แรงงานกลุ่มเดิมราว 27% ไม่มีรายได้จากงานติดกัน 12 เดือนขึ้นไป (โลกอ้างอิงราว 6%) นานกว่าที่ประกันสังคมจ่าย ปี 2030 ครัวเรือน 13.3–13.6% อยู่ใต้เส้นความยากจน 3,078 บาทต่อคนต่อเดือน (โลกอ้างอิง 4.0%) และปลายปี 2030 ช่องว่างการจ้างงานยังถ่างอยู่

ตรงไหนจริง ตรงไหนโหดเกิน ตรงไหนสวยเกิน

โมเดลทุกตัวผิด ตัวนี้ก็เช่นกัน โมเดลนี้ตอบว่า “ทำไม” ได้น่าเชื่อกว่า “เท่าไร” ดวง (seed) ขยับผลของ B ไม่ถึง 1 จุด แต่การเปลี่ยนกติกาแรงงานขยับได้เกิน 5 จุด

จริง

โหดเกิน

สวยเกิน

Stanford พบจากข้อมูล payroll ของ ADP ว่าคนอายุ 22–25 ในงานสหรัฐฯ ที่ AI เข้าถึงมาก มีงานทำน้อยกว่าคนรุ่นเดียวกันในงานที่ AI เข้าถึงน้อยราว 19% ส่วนใหญ่เพราะรับคนน้อยลง (งานเชิงพรรณนา)

งานที่หาย 3 ใน 4 อยู่นอกออฟฟิศ ซึ่งต้องใช้หุ่นยนต์ที่ยังมีน้อย และบริษัทไทยลดชั่วโมงก่อนลดคน ซึ่งโมเดลทำไม่ได้ ตัวเลขงานที่หายจึงน่าจะโหดเกิน แต่การเสียรายได้ต่อคนเบาเกิน อีกข้อ แรงงานจำลองเปลี่ยนอาชีพไม่ได้ แต่คนจริงเปลี่ยนได้ เช่นกลับบ้านไปทำเกษตร การว่างงานในโมเดลจึงยิ่งโหด

ในโมเดล คนที่ค้าขายหรือรับงานเอง (own-account) หาลูกค้าได้เสมอ แต่คนไทยราว 13 ล้านคนทำงานส่วนตัวนอกระบบอยู่แล้ว และต่างก็หาลูกค้ากลุ่มเดียวกัน

อ่านบทความฉบับเต็ม

นโยบายจะช่วยคนทำงานได้อย่างไร

เพิ่มโควตาอบรมครึ่งๆ กลางๆ อาจแย่กว่าไม่เพิ่ม

เราทดลองทางเลือกของบริษัทและรัฐทีละทาง ในโลก B ซึ่งเป็นกรณีหนักที่สุดที่ยังเป็นไปได้ (ไม่ใช่คำพยากรณ์) โดยเทียบกับ B ที่ไม่ทำอะไรเลย ทุก 1 จุดเท่ากับคนราว 165,000 คนทั่วประเทศ

สมมติฐานใหญ่ที่สุดคือ AI ทำงานได้เมื่อมีคนที่อบรมแล้วเป็นผู้ใช้เท่านั้น การอบรมคือคอร์สสองเดือน นึกภาพการหัดแบ่งงานบางส่วนให้ AI ทำ แล้วตรวจแก้งานที่ได้คืน เมื่อ AI เต็มกำลัง คนที่อบรมแล้วทำงาน 1 ชั่วโมง ได้งานแบบเดิมราว 4 ชั่วโมง คือของตัวเอง 1 กับของเพื่อนร่วมงานอีกราว 3

นึกถึงนาฬิกาสองเรือน เรือนแรกคือความเร็วที่งานย้ายไปหา AI ยิ่งมีคนอบรมแล้วมากยิ่งเร็ว เรือนสองคือการอบรมคนที่เหลือ ซึ่งช้า เพิ่มโควตาครึ่งๆ กลางๆ เร่งเรือนแรกได้เร็วกว่าที่เรือนสองตามทัน งานของคนที่ยังรอคิวอบรมจึงหายก่อน

แกนตั้งคือจำนวนลูกจ้างเทียบกับโลก B ที่ไม่ทำอะไร (หน่วยเป็นจุด) แต่ละเส้นคือจำนวนที่อบรม AI ต่อเดือนทั่วประเทศ ซึ่งสมมติฐานปัจจุบันอยู่ที่ราว 250,000 คนต่อเดือน เส้นคือค่ากลางจาก 3 seed แถบคือช่วงระหว่าง seed

เส้นฐานคือ B ไม่ทำอะไร เหนือเส้นแปลว่าเดือนนั้นมีลูกจ้างมากกว่า ใต้เส้นแปลว่าน้อยกว่า

ถ้าเปิดให้อบรมราว 1 ล้านคนต่อเดือนตั้งแต่ต้น (เป็นเพดานบน) พนักงานส่วนใหญ่จะได้อบรมทันก่อน AI เต็มกำลัง เส้นลดลงเล็กน้อย แล้วกลับขึ้นเหนือเส้นฐานราวกลางปี 2028

ถ้าเปิดเพียงราว 500,000 หรือ 375,000 คนต่อเดือน งานจะย้ายไปหา AI ก่อนที่คนส่วนใหญ่จะได้อบรม เส้นจึงลงช้ากว่าแต่ลึกกว่า และปลายปี 2030 ยังต่ำกว่าเส้นฐาน 0.9–1.0 และ 2.1–2.4 จุด ตามลำดับ

จุดเสมอตัวอยู่ที่ราว 570,000 คนต่อเดือน (ค่าประมาณระหว่างผลที่รัน) ถ้าน้อยกว่านี้ ปลายปี 2030 จะมีลูกจ้างน้อยกว่ากรณีที่ไม่เพิ่มเลย

B ไม่ทำอะไร

AI พัฒนาถึงจุดพีค

จุดเสมอตัวโดยประมาณ

คน/เดือน

แต่การอบรมเดือนละล้านคนก็มีราคา บริษัทรับคนใหม่น้อยลงหนึ่งในห้า คนเพิ่งเข้าตลาดงาน (ราวครึ่งหนึ่งคือคนจบใหม่) จึงเป็นลูกจ้างน้อยลง 1.0–1.2 จุด การอบรมทำให้คนพร้อม แต่สร้างตำแหน่งไม่ได้

อาจารย์ของผม David Deming และคณะ (NBER, 2026) พบว่าการใช้ AI ขึ้นกับตัวคนมากกว่าตัวงานมาก ผมจึงคิดว่าการอบรมที่ได้ผลคือการโค้ชกันด้วยงานจริงของแต่ละสัปดาห์ จนใช้ AI เป็นเรื่องปกติ (ไม่อยู่ในโมเดล)

ทุกทางเลือกมีราคา

ลูกจ้างเทียบ B ไม่ทำอะไร (จุด) ธ.ค. 2030 ด้านขวาคือสิ่งที่ต้องแลกหรือได้มา real income คือรายได้จากงานหลังปรับราคาสินค้า

น้อยลง ← ลูกจ้าง → มากขึ้น

ชุดผสมที่ดีที่สุดที่ลอง: คนตรวจงาน · ติดตั้ง AI ช้าลง · ขายต่างประเทศ · เจ้าของใช้จ่ายเร็ว

GDP ราว −3.7% และงานที่ AI เอาไป ราว 6 ใน 10 ยังไม่กลับมา

คนตรวจและรับรองงาน AI ใช้เวลา 30% ของงานเดิม แทน 10%

GDP ราว −4% แพงสุดต่องานที่รักษาไว้ แต่เป็นทางเดียวที่ผลคงอยู่ในบริษัทที่ใช้ AI

ติดตั้ง AI ช้าลงครึ่งหนึ่ง

ส่วนใหญ่คือซื้อเวลาได้ราว 9 เดือน ②

โควตาอบรมราว 1 ล้านคนต่อเดือน ตั้งแต่ต้น

คนเพิ่งเข้าตลาดงาน −1.0 ถึง −1.2 จุด ลูกจ้างต่ำกว่า B จนกลางปี 2028

ขายต่างประเทศเพิ่ม

real income −1.5 ถึง −1.7% กำไรส่วนเพิ่มเป็นของเจ้าของ

จับคู่งานไวขึ้น

B แทบไม่มีตำแหน่งว่าง จึงช่วยโลกอ้างอิงมากกว่า (+2.2 จุด)

โอกาสออกแบบงานใหม่ 2 เท่า

ลูกจ้างลด แต่ GDP +0.8% ①

10% ของกำไรส่วนเพิ่ม ไปขึ้นค่าจ้างพื้นฐานถาวร ไม่ใช่โบนัส

real income +9.6 ถึง +9.7% แต่จ้างคนแพงขึ้น

ในการทดลองย่อยกับแรงงานจำลอง 20,000 คน ถ้าปิดทางนี้ ครัวเรือนใต้เส้นความยากจนเพิ่มจากราว 13 เป็น 22 ใน 100 แต่ทางนี้คือการสร้างอาชีพใหม่จากศูนย์ และเสมียนไปทางนี้ได้เพียง 1.2%

① ทำไมการออกแบบงานใหม่ (new tasks) กลับทำให้ลูกจ้างลด บริษัทเก็บแบบใหม่ไว้เมื่อคุ้ม และค่าจ้างคือต้นทุนหลัก แบบที่รอดจึงใช้เวลาคนต่อชิ้นน้อยลงราว 22% และใช้ได้เฉพาะคนที่อบรมแล้ว งานแบบเดิมที่เหลือให้เพื่อนที่ยังไม่ได้อบรมจึงหมดเร็วขึ้น งานไหลไปหาคนที่อบรมแล้ว ส่วน GDP เพิ่มราว 0.8% เพราะบริษัทใน B อยากได้ชั่วโมงคนที่อบรมแล้วราว 4 เท่าของที่มี คนกลุ่มนี้คือคอขวด แบบใหม่ทำให้พวกเขาผลิตได้มากขึ้น และเงินที่ประหยัดกลายเป็นกำไรที่เจ้าของนำไปใช้ แต่ของแต่ละชิ้นใช้คนน้อยลง ลูกจ้างจึงลด 0.8–0.9 จุด GDP นับของ ไม่ได้นับคน

② ถ้าติดตั้ง AI ช้าลงครึ่งหนึ่ง ลูกจ้างเพิ่มราว 6 จุด คนเพิ่งเข้าตลาดงานเพิ่มราว 12 จุด ส่วน GDP แทบไม่ขยับ แต่ปลายปี 2030 เราก็แค่อยู่ตรงที่ B เคยอยู่เมื่อราว 9 เดือนก่อน และคนหน้าใหม่ที่ได้งานเพิ่มเกือบทั้งหมดยังไม่ได้อบรม เวลาที่ซื้อมามีค่าเท่ากับสิ่งที่เราทำกับมัน

ไม่มีทางไหนทำให้งาน คนเพิ่งเข้าตลาดงาน real income และ GDP ดีขึ้นมากพร้อมกัน ทางที่เพิ่ม real income ของคนทำงานจะลดการใช้จ่ายของเจ้าของ และกลับกัน

ณภัทร จาตุศรีพิทักษ์ · กันยายน 2026

บริษัท

รัฐ

มหาวิทยาลัย

คนทำงาน

ก้าวต่อไป

• สอนนักศึกษาใช้ AI กับงานจริงก่อนจบ (ยังไม่ได้ทดสอบ) คนเพิ่งเข้าตลาดงานต้องต่อคิวอบรมหลังพนักงานที่นายจ้างส่งมา ใน B ตลอด 4 ปี คนว่างงานได้อบรมเพียง 2,379 จาก 153,000 คน (ต่อแรงงานจำลอง 200,000 คน) ข้อนี้เปลี่ยนว่าใครได้งาน มากกว่าเพิ่มจำนวนงาน

นับคนที่ไม่เคยได้ก้าวผ่านประตู

ในความเห็นของผม โลก A มีความเสี่ยงซ่อนอยู่เพราะโมเดลไม่มีคู่แข่งต่างชาติ ถ้าชาติอื่นเข้าถึง AI แบบโลก B แต่เราอยู่ในโลก A เราต้องมั่นใจว่าเราโตได้โดยไม่สูญเสียความสามารถในการแข่งขัน

เบื้องหลัง

ทำไมต้องตรวจละเอียดขนาดนี้ ทั้งที่เป็น simulation เพราะถ้าเราผิด คนที่ต้องจ่ายคือคนจริง

• ทุก simulation รันบน MacBook Pro เครื่องเดียว ชิป M4 Pro 14 คอร์ RAM 48 GB
• engine รุ่นสุดท้ายรัน simulation 1,337 รอบ ในนั้น 186 รอบใช้แรงงานจำลอง 200,000 คน ทั้งหมดราว 3,250 ล้าน worker-month (จำนวนคนคูณจำนวนเดือนที่จำลอง) นับรุ่นก่อนหน้าด้วยแล้วมากกว่า 2,700 รอบ ใช้ดิสก์ราว 350 GB
• การคำนวณกลับเป็นส่วนที่ง่าย โลก 200,000 คนหนึ่งโลกรันราว 35 วินาที ทั้ง 1,337 รอบใช้เวลา engine รวมราวสามชั่วโมง หลายสัปดาห์ที่เหลือหมดไปกับการตรวจผลและเรียนรู้วิธีเล่า
• ทุกผลที่เผยแพร่รันด้วย seed สามชุด ตั้งชื่อตามวันที่เราออกแบบชุดการทดลอง คือ 20260915, 20260916 และ 20260917
• เราผิดมากกว่าหนึ่งครั้ง และเก็บหลักฐานไว้ engine ผ่านมา 12 เวอร์ชัน แต่ละเวอร์ชันตรวจด้วยการรันทดสอบ 9 รอบ และเก็บการทดลองหนึ่งชุดที่ล้มเหลวไว้ทั้งชุด
• interactive data story นี้มาถึงฉบับที่ 40 และรอบแก้ที่ 161 ผมแก้ข้อความเองด้วยมือ 186 ท่อน
• Claude รัน multi-agent workflow 47 ชุด ใช้ sub-agent 661 ตัว ส่วน Codex ทำงานราว 200 session
• รวมกันราว 6,000 ล้าน token (หน่วยย่อยของคำ) ส่วนใหญ่คือ AI อ่านบันทึกเดิมของตัวเองซ้ำ (cached context) ส่วนที่ใหม่จริงมีราว 260–270 ล้าน token

ทั้งหมดนี้ เพื่อผลลัพธ์ที่ผมเรียกได้เพียงว่า simulation

TL;DR

เรื่อง AI นับเป็นเรื่องใหญ่เกินกว่าจะทำนายได้แม่นยำ ใหญ่กว่าแค่เรื่องดาต้าเซ็นเตอร์ และใหญ่เกินกว่าจะนิ่งรอให้เกิดผลกระทบแล้วค่อยตามวัดผลทีหลัง

เราจึงตัดสินใจนำข้อมูลเศรษฐกิจไทยมาฟิตกับโมเดลเศรษฐศาสตร์แรงงานเพื่อศึกษาการจำลองผลกระทบของการพัฒนา AI 3 ฉากทัศน์ (โลก A, B, และ C) ต่อเศรษฐกิจไทยแล้วเทียบกับกรณีที่ AI หยุดพัฒนาวันนี้

1. เศรษฐกิจจะขยายตัว แต่รายได้จากงานกลับลดลง หาก AI พัฒนาเร็วและกว้างแบบโลก B real GDP ปี 2030 จะสูงกว่าโลกอ้างอิงที่ AI หยุดพัฒนาราว 8.5% ทว่ารายได้จากงานของแรงงานกลุ่มเดิม 200,000 คนกลับลดลงราว 23%
2. งานสูญหายอย่างเงียบๆ ในโมเดล กิจการใช้วิธีปิดประตูไม่รับคนใหม่เป็นหลัก และเลิกจ้างเฉพาะกรณีจำเป็น ภาระจึงตกอยู่กับคนที่เพิ่งเข้าตลาดแรงงานและผู้ที่หลุดออกจากระบบแล้วหาทางกลับเข้ามาใหม่ไม่ได้
3. ทุกทางออกล้วนมีต้นทุน บางแนวทางแลกมาด้วยการเติบโตที่ชะลอลง บางแนวทางทำได้เพียงซื้อเวลา การฝึกอบรมที่ไม่ทั่วถึงอาจทำให้กลุ่มที่ได้รับการอบรมมีผลิตภาพสูงจนสร้างแรงจูงใจให้นายจ้างลดคนที่ยังไม่ได้รับการอบรม ถ้าขยายการอบรมไม่ทันอัตราเร่งของ AI แรงงานก็จะถูกกระทบอย่างรุนแรง

การใช้ AI ยังอยู่ในช่วงต้น คนทำงานในสหรัฐฯ ใช้ generative AI ประหยัดชั่วโมงทำงานได้ราว 2.2% (St. Louis Fed) และบริษัทไทยราว 12% ใช้ AI (World Bank) แต่ความสามารถของ AI ก้าวหน้าเร็ว ใน GDPval ซึ่งเป็นการทดสอบแบบตัวต่อตัวด้วยงานจริง GPT-5.5 ทำได้เท่าหรือดีกว่าผู้เชี่ยวชาญที่เป็นมนุษย์ใน 84.9% ของงานที่ใช้ทดสอบ

ถึงขั้นผู้สร้างขอให้ชะลอ

Daron Acemoglu (โนเบลปี 2024) และ Pascual Restrepo อธิบายว่า AI ส่งผลกระทบ 3 แบบกับเหล่าบริษัท 

1. เข้ามาทำงานแทนมนุษย์
2. ทำให้สินค้าถูกลงจนขายได้มากขึ้น และ
3. สร้าง new tasks ขึ้นมา

สองอย่างหลังมักเป็นพระเอกบนเวทีสัมมนา แต่เมื่อ AI เหลือชั่วโมงงานจำเจให้คนทำไม่ถึง 1/4 ของเดิม ยอดขายต้องโตแค่ไหนเถ้าแก่ถึงจะยังโอเค? ต้องโตระเบิดแค่ไหนทุกคนจึงจะกลับมามีงานเต็มมือ 

หลายคนเดาว่าน่าจะเกิดการเลิกจ้างครั้งใหญ่ แต่ขอให้อ่านต่ออีกหน่อยนะครับ

ทั้งสามฉากทัศน์เป็นสมมติฐาน คือ A ใช้เวลา 36 เดือนกว่าจะไปถึงระดับที่ตั้งไว้ ส่วน B ไปถึงภายในเดือนมีนาคม 2028 และ C ภายใน 12 เดือน โดย C เป็น stress test ไม่ใช่คำพยากรณ์

สี่กติกาที่กำหนดผลลัพธ์

กติกาที่ 1: ทุกเดือนลูกจ้างราว 1 ใน 100 คนออกจากงานด้วยเหตุผลที่ไม่เกี่ยวกับ AI

กติกาที่ 2: บริษัทเลิกจ้างได้ไม่เกิน 10% ของพนักงานที่เกินความต้องการต่อเดือน โดยเริ่มจากคนที่ยังไม่ผ่านการฝึกอบรม ข้อนี้เราตั้งไว้แทนต้นทุนค่าชดเชยและการบอกกล่าวล่วงหน้าของไทย

กติกาที่ 3: ค่าจ้างพื้นฐานลดได้ยาก (sticky) ข้อนี้ตั้งไว้ให้สมจริง กฎหมายไทยระบุว่าหากจะทำต้องได้ความยินยอมจากลูกจ้าง บริษัทจะยังมีทางเลือกที่จะตัดโบนัส OT และเงินเพิ่มอื่นก่อน ส่วนนี้รวมกันราว 28% ของค่าจ้างพื้นฐาน (ค่ามัธยฐานของ PMAT)

กติกาที่ 4: พนักงานที่ผ่านการฝึกอบรมแล้วเท่านั้นถึงจะใช้ AI ทำงานที่บริษัทได้ เราใส่ลิมิตให้เริ่มฝึกอบรมได้เดือนละ 3,000 คนจากแรงงานจำลองตั้งต้น 200,000 คน หรือ 1.5% บริษัทที่เริ่มนำ AI มาทำธุรกิจแล้วจะได้ส่งคนไปฝึกอบรมก่อน ในโลก B เมื่อ AI เต็มกำลัง คนที่ผ่านการฝึกอบรมแล้วใช้เวลาแค่ราว 1 ใน 4 ในการจบงานเสมียนเดิม

ข้อมูล วิธีคำนวณ และข้อจำกัด

โมเดลโดยย่อ

เราสร้าง agent-based model เป็นประเทศไทยขนาดย่อในคอมพิวเตอร์ แรงงานจำลอง 200,000 คนเป็นตัวแทนลูกจ้างภาคเอกชนไทย และมีคนที่เพิ่งเข้าตลาดแรงงานเข้ามาเพิ่ม ทำงานในบริษัทจำลอง 2,000 แห่ง

ทุกเดือนตั้งแต่ตุลาคม 2026 จนถึงสิ้นปี 2030 บริษัทจะตัดสินใจเองว่าจะนำ AI เข้ามาใช้ในธุรกิจหรือไม่ จะรับคนหรือลดคน แรงงานเลือกว่าจะหางาน เข้าฝึกอบรม AI หรือออกมาทำมาหากินเอง ส่วนเถ้าแก่จะดึงกำไรออกมาใช้สอย

เพื่อความสมจริง เรา calibrate โมเดลด้วยสถิติทางการของไทย ข้อมูลจากสมาคมการจัดการงานบุคคลแห่งประเทศไทย (PMAT) และ World Bank

จากนั้นเราสร้างโลกคู่ขนาน คนกลุ่มเดียวกันนี้ใช้ชีวิตถึงสิ้นปี 2030 เป็นเส้นโลก alternate realities 4 เส้น

โลกอ้างอิงคือโลกที่ AI หยุดนิ่งที่ระดับกันยายน 2026 โลก A คือ AI พัฒนาแบบค่อยเป็นค่อยไป โลก B คือ AI พัฒนาเร็วและกว้าง ถูกลงมาก และโลก C คือ AI พัฒนาสุดขั้ว ถูกลงเร็วสุดๆ เป็น stress test

สำคัญคือเราจะเอาผลลัพธ์ เช่น GDP หรือรายได้แรงงานจากโลกต่างๆ มาเทียบกับโลกอ้างอิงในปี 2030 ไม่ใช่กับวันนี้

ก่อนเดินต่อ

โมเดลรู้ไม่หมด

โมเดลยังให้คนเปลี่ยนอาชีพไม่ได้ และให้บริษัทลดชั่วโมงก่อนลดคนไม่ได้ จึงอาจดูโหดไป แต่กลับให้คนทำงานอิสระหาลูกค้าได้เสมอ ซึ่งอาจสวยไป

ใช้มันทำความเข้าใจกลไก มากกว่าฟันธงตัวเลขอนาคต

Let's Zoom Into Scenario B

ทุกคนไม่ได้มีแผนสำรองได้เหมือนกัน

Simulation พบว่างานอิสระอาจเป็นทางออก แต่หนทางไปสู่งานอิสระ (ที่รอด) แตกต่างกันมาก

งานเสมียน

งานบริการและงานขาย

ลูกจ้าง

งานอิสระ

ไม่ได้ทำงาน

เส้นทาง B เดือนธันวาคม 2030
ร้อยละของคนที่เริ่มต้นในอาชีพนั้น โดยกลุ่มไม่ได้ทำงานรวมผู้เกษียณ ผลจำลองหนึ่งรอบ

เสียงานคล้ายกัน แต่หารายได้ต่อได้ไม่เท่ากัน

สัดส่วนคนที่ไม่มีรายได้จากงาน
อย่างน้อย 12 เดือนติดกัน

AI คงระดับเดิม

B เร็วและกว้าง

นับจากคนตั้งต้น 200,000 คนทุกอาชีพ ติดตาม 51 เดือน โดยไม่นับช่วงเกษียณเป็นช่วงขาดรายได้ ตัวเลขใหญ่เป็นค่าเฉลี่ยจากการสุ่ม 3 รอบ และช่วงด้านล่างคือผลต่ำสุดถึงสูงสุด
รายได้จากงานนับค่าจ้างพื้นฐานและรายได้จากงานอิสระ ไม่รวมเงินโอน โบนัส และ OT

200,000 จุด = แรงงานจำลอง 200,000 คน แยกตามอาชีพเริ่มต้น ตำแหน่งของจุดใช้จัดภาพ ไม่ใช่ระดับรายได้

การฝึกอบรมก็แข่งกับเวลา

งานย้ายไปหา AI เร็วกว่าจะอบรมกันครบทั้งบริษัท

เมื่อคนหนึ่งฝึกใช้ AI สำเร็จ บริษัทก็ย้ายงานเพื่อนร่วมงานมาให้เขาทำ คนที่ยังรอฝึกจึงเหลืองานน้อยลง

เวลาที่ AI ใช้ก่อนถึงจุดพีคในโลก B

18 เดือน

เมื่อ AI เต็มกำลัง คนส่วนใหญ่ยังรอเริ่มฝึก

รับคนกลุ่มเดิมเข้าฝึกครบ

ราว 60 เดือน

เริ่มต้นมีคนที่ยังไม่เคยฝึก 90% รับเข้าฝึกได้เดือนละ 1.5% ของแรงงานจำลองกลุ่มเดิม จึงต้องใช้ราว 60 เดือนเพื่อรับคนกลุ่มนี้ให้ครบ

เพิ่มที่ฝึกนิดเดียว อาจเร่งให้งานหาย ต้องฝึกให้มากพอตั้งแต่ต้น คนส่วนใหญ่จึงตามทัน

จุดเสมอตัวราว 3.4–3.5% ต่อเดือนมาจากการคำนวณแทรกระหว่างโควตา 3% กับ 3.75% ไม่ได้รันโมเดลที่จุดนี้ ผลทั้งหมดผูกกับกติกาที่ให้เฉพาะพนักงานซึ่งฝึกแล้วใช้ AI ของบริษัทได้ และการฝึกให้พร้อมไม่ได้สร้างตำแหน่งว่างขึ้นมาเอง

ทั้งสองหน้าปัดใช้สเกลเดียวกัน หนึ่งรอบ = 60 เดือน ภาพนี้คำนวณคิวรับเข้าแบบคร่าว ๆ จากโควตาคงที่ ไม่ใช่จำนวนผู้ผ่านการฝึกจาก simulation และยังไม่บวกระยะเรียนสองเดือนหรือคนที่เข้ามาใหม่

ฐาน B รับเข้าอบรมได้เดือนละ 1.5% ของแรงงานตั้งต้น กราฟเปรียบเทียบกับโควตา 2.25%, 3% และ 6% แกนตั้งแสดงสัดส่วนลูกจ้างที่เพิ่มหรือลดจาก B เดิม (จุดเปอร์เซ็นต์) เส้นคือค่ากลางและแถบคือช่วงผลจาก 3 รอบ

โลก B เดิม รับเข้าฝึก 1.5% ต่อเดือน

ทดสอบและลองออกแบบ Policy Packages กับโลก B

นโยบายช่วยได้แต่ไม่มีเส้นทางใดเลยที่ happy กันทุกฝ่าย

ในบรรดาทางเลือกที่เราลอง ไม่มีทางไหนทำให้การจ้างงาน การได้งานของคนเพิ่งเข้าตลาดแรงงาน real income และ GDP ดีขึ้นมากได้พร้อมกัน

นับคนกลุ่มเดิมที่ยังเป็นลูกจ้างในเดือนธันวาคม 2030 เทียบกับคนตั้งต้น 200,000 คน
100 ช่องนี้แทนเฉพาะส่วนที่ B มีลูกจ้างน้อยกว่าโลกที่ AI คงเดิม แพ็กเกจช่วยปิดช่องว่างนี้ได้ราว 40%

Policy Package ที่ช่วยได้มากที่สุด ยังปิดช่องว่างแรงงานได้ไม่ถึงครึ่ง

ปิดช่องว่างได้

ยังเหลืออยู่

ราวครึ่งหนึ่งของส่วนที่ได้คืนมา เป็นเพียงการซื้อเวลา

ตัวเลขบอกว่า ในคนตั้งต้นทุก 100 คน มีคนที่ยังเป็นลูกจ้างเพิ่มขึ้นเท่าไร เมื่อเทียบกับ B ที่ไม่มีแพ็กเกจเสริม ในเดือนธันวาคม 2030
หน่วยคือ percentage point เช่น +13 หมายถึงมีลูกจ้างเพิ่ม 13 คนต่อคนตั้งต้น 100 คน ช่วงตัวเลขมาจากผลจำลอง 3 รอบ ไม่ใช่ช่วงความเชื่อมั่น

แพ็กเกจนี้รวมการให้คนตรวจงาน ชะลอการติดตั้ง AI ขายต่างประเทศ และให้เจ้าของใช้จ่ายเร็วขึ้น

การอบรมระดับล้านคนต่อเดือนเป็นกรณีทดสอบขอบบน ไม่ใช่แผนที่ยืนยันว่าทำได้จริง

แพ็กเกจที่ช่วยได้มากที่สุดรวมการให้คนตรวจงาน ชะลอการติดตั้ง AI เพิ่มยอดขายต่างประเทศ และให้เจ้าของใช้จ่ายเร็วขึ้น

GDP ต่ำกว่า B เดิมราว 3.7%
ราวครึ่งหนึ่งของผลที่ช่วยได้เป็นการซื้อเวลา

ให้คนตรวจและรับผิดชอบงานเดิมที่เคยใช้ 100 ชั่วโมง ต้องเหลือเวลาของคนอย่างน้อย 30 ชั่วโมง แม้ใช้ AI แล้ว

GDP ต่ำกว่า B เดิมราว 4%

ติดตั้ง AI ช้าลงครึ่งหนึ่งลดความเร็วที่บริษัทเริ่มติดตั้ง AI ลงครึ่งหนึ่ง บริษัทที่ยังไม่ใช้ AI จึงยังรับคนทำงาน

ซื้อเวลาราว 9 เดือน
เมื่อ AI แพร่ต่อ งานยังลดลงตามมา

รับเข้าอบรมราวล้านคนต่อเดือนเพิ่มที่เรียนเป็น 4 เท่าและเร่งฝึกตั้งแต่ต้น ให้ลูกจ้างใช้ AI เป็นก่อนบริษัทลดคนที่ยังไม่ได้ฝึก

ทุก 100 คนที่เพิ่งเข้าตลาดแรงงานจะมีคนได้เป็นลูกจ้างน้อยลงราว 1 คน

ข้อเสนอของผม

ก่อนเอกชนไทยใช้ AI กันเต็มสตรีม ต้องตอบให้ได้สามเรื่อง

บริษัทและรัฐมีเครื่องมือมากที่สุด ข้อเสนอจึงโฟกัสที่สองฝ่ายนี้เป็นหลัก

รายละเอียดการลงมือทำเหล่านี้เป็นข้อเสนอของผม ไม่ใช่มาตรการที่โมเดลทดสอบครบทุกข้อ

ใครจะฝึกอะไร

ระหว่างนั้นอยู่ด้วยรายได้อะไร

ใครรับผิดชอบ

บริษัท

ก่อนเริ่มใช้ AI ให้ตัดสินใจว่าชั่วโมงที่ได้คืนมาจากแรงงาน จะเอาไปขายอะไรเพิ่ม

ฝึกอบรมให้ทั่วถึง บนเนื้องานจริง ในเวลางาน มีนโยบาย Human-in-the-loop และวัฒนธรรมเปิดรับตำแหน่งใหม่ รวมถึงรับ interns

รัฐ

ผูกสิทธิประโยชน์ด้าน AI รวมถึงของ BOI ไว้กับเป้าหมายการจ้างงานและการอบรมในวงกว้าง

พยุงรายได้ระหว่างเปลี่ยนงาน ผูกกับการฝึกอบรมหรือการรับงานใหม่ และมีวันสิ้นสุด พร้อมทำให้ผู้ประกอบการรายเล็กทำมาหากินง่ายขึ้น

มหาวิทยาลัย

ส่งบัณฑิตออกไปพร้อมทำงานที่มี AI ช่วย สอนการใช้ AI บนงานจริงร่วมกับบริษัทพันธมิตร หรือเปิดโอกาสให้ส่งนักศึกษาฝึกงานไปยังบริษัทที่กำลังนำ AI มาใช้จริง

คนทำงาน

หมั่นเข้าฝึกอบรมตอนที่ยังมีเงินเดือน โดยหัดใช้กับงานจริง ค้นคว้าและหาช่องทางใหม่สำหรับอาชีพของคุณ

ระหว่างที่ยังมีงาน ควรลองสร้างรายได้สำรองและเช็กสิทธิประกันสังคมไว้ ถ้าเลือกได้ อย่าเพิ่งออกโดยยังไม่มีงานถัดไปรออยู่ และอย่าออกเพียงเพราะอีกที่ดู “มั่นคง” กว่า

Simulation จะอยู่ต่อไป

การสำรวจใหม่ของ PMAT People Benchmarking Survey 2026 จะถามลูกจ้างว่าใครทำงานกับ AI จริง และงานกำลังเปลี่ยนไปอย่างไร เราจะใช้ผลปรับโมเดลแล้วรันใหม่

การสำรวจรอบเดียวยังเป็นตัวแทนของประเทศหรือพิสูจน์เหตุและผลไม่ได้

สถานีของเรากำลังสร้างอยู่ตอนนี้

ความขยันของคนจุดโคมไฟไม่ได้ตัดสินชะตาของเขา สิ่งที่ตัดสินเขาคือวันที่เมืองเปิดไฟถนนได้เองจากสถานีเดียว

สถานีของเรากำลังถูก Big Tech สร้างอยู่ตอนนี้ บริษัทยังเลือกได้ว่าชั่วโมงที่ได้คืนมาจะเอาไปใช้ทำอะไร และรัฐยังมีกรอบเวลาในการกำหนดเงื่อนไขและนโยบายที่เหมาะสมได้

โมเดลมักจะผิด แต่ถ้าอันนี้ถูกล่ะ?

หากเราไม่ทำอะไรเลย มีโอกาสสูงมากที่ลูกหลานเราจะไม่เคยได้รับจดหมายเลิกจ้าง เพราะไม่เคยมีแม้แต่ใครจะจ้างเขาเลย ประตูมันจะปิดเงียบๆ และสังคมจะ K-shape กว่านี้อีกหลายเท่า

ทุกวัน คนไทยหลายพันคน
เข้าสู่ตลาดแรงงาน

และหลายคนจะมายืนที่ประตูบานนี้

ประมาณการคนเข้าสู่ตลาดแรงงานไทยทั้งหมดต่อวัน

เรายังมีเวลาตัดสินใจและ take action
แต่เวลาเหลือไม่มาก
AI ไม่ใช่เทคโนโลยีทั่วไปที่ค่อยๆ ดิสรัป
มันดิสรัปทันทีและทั้งอุตสาหกรรมได้