ลองนึกถึงนักกฎหมายรุ่นใหม่คนหนึ่งที่ได้รับมอบหมายให้ร่างสัญญาฉบับแรก เขาเปิด AI อธิบายว่าคู่สัญญาเป็นใคร ต้องการทำธุรกิจอะไร มีเงื่อนไขสำคัญอย่างไร แล้วไม่กี่นาทีต่อมาก็ได้สัญญาหน้าตาดีฉบับหนึ่งกลับมา มีคำนิยาม หน้าที่ของคู่สัญญา การรักษาความลับ การผิดสัญญา การเลิกสัญญา และข้อกำหนดเรื่องกฎหมายที่ใช้บังคับครบถ้วน อ่านผ่าน ๆ แล้วแทบไม่มีอะไรให้รู้สึกว่าเป็นงานของคนที่เพิ่งเคยร่างสัญญาครั้งแรก
แต่ลองถามต่ออีกหน่อยว่า ทำไมเงื่อนไขเรื่องการเลิกสัญญาจึงเขียนแบบนี้ ถ้าคู่สัญญาผิดนัดเพียงบางส่วนจะเกิดอะไรขึ้น ข้อกำหนดสองข้อนี้ขัดกันหรือไม่ ถ้าลูกค้าเป็นฝ่ายผิดสัญญาเอง clause ที่เขียนไว้จะย้อนกลับมาสร้างปัญหาอย่างไร หรือถ้าคู่สัญญาขอแก้ข้อความตรงนี้ออก เราควรยอมหรือไม่
ตรงนี้ต่างหากที่จะเริ่มเห็นว่า คนคนนั้น “ร่างสัญญาเป็น” หรือเพียง “มีสัญญาอยู่ในมือ”
ความแตกต่างนี้กำลังเกิดขึ้นกับหลายวิชาชีพ เมื่อ AI สามารถพาเราไปถึงผลลัพธ์ได้เร็วขึ้น เราอาจมีของที่ดูเหมือนผลงานของคนมีฝีมือก่อนที่จะทันได้สร้างฝีมือนั้นขึ้นมาจริง ๆ โปรแกรมเมอร์มีโค้ด นักออกแบบมีภาพ นักการตลาดมีแผน นักบัญชีมีบทวิเคราะห์ นักกฎหมายมีความเห็นทางกฎหมาย และคนทำงานทั่วไปมี presentation ที่ดูเรียบร้อย ทั้งหมดเกิดขึ้นได้เร็วกว่าเส้นทางการฝึกแบบเดิมมาก
เรื่องนี้ไม่ใช่เหตุผลให้กลับไปทำทุกอย่างด้วยมือ และไม่ใช่ข้อเสนอให้ปฏิเสธเครื่องมือที่ทำให้เราทำงานได้เร็วขึ้น หากมีเครื่องคิดเลขก็คงไม่มีเหตุผลที่จะบังคับคนทำบัญชีให้คิดเลขทุกตัวด้วยกระดาษ แต่การใช้เครื่องคิดเลขกับการไม่เข้าใจว่าตัวเลขกำลังคำนวณอะไรเป็นคนละเรื่องกัน
AI ก็ควรถูกมองแบบเดียวกัน
สิ่งที่คนทำงานต้องรักษาไว้คือ Craftsmanship หรือฝีมือจริงในวิชาชีพ ความสามารถที่ไม่ได้จบเพียงการสร้างผลลัพธ์ออกมาได้ แต่เข้าใจว่าทำไมมันจึงต้องทำแบบนั้น รู้ว่าของดีต่างจากของพอใช้ตรงไหน มองเห็นข้อผิดพลาด และสามารถแก้ปัญหาได้เมื่อสถานการณ์ไม่เป็นไปตามตัวอย่างที่เคยเห็น
Craftsmanship เกิดจากการลงมือทำซ้ำ ๆ และหลายครั้งเกิดจากงานที่ดูไม่มีประสิทธิภาพด้วยซ้ำ
นักกฎหมายเรียนรู้จากการนั่งอ่านสัญญาทีละข้อ เขียนแล้วถูกแก้ กลับไปดูว่าทำไม Senior ถึงตัดประโยคนี้ออก ทำไมคำคำเดียวถึงเปลี่ยนความหมายของสิทธิและหน้าที่ นักบัญชีเรียนรู้จากการไล่ตัวเลขที่ไม่ลงกัน วิศวกรเรียนรู้จากระบบที่ทำงานไม่เหมือนที่ออกแบบ นักออกแบบเรียนรู้จากงานที่ลูกค้าไม่เลือก และโปรแกรมเมอร์เรียนรู้จากวันที่โค้ดที่ตัวเองมั่นใจว่าถูกกลับทำให้ระบบมีปัญหา
ประสบการณ์เหล่านี้ไม่ได้ให้เพียง “คำตอบ” แต่กำลังสร้างแบบจำลองบางอย่างอยู่ในหัวของคนทำงานว่า เมื่อเห็นสิ่งนี้ควรระวังอะไร เมื่อเกิดอาการแบบนี้ปัญหาอาจอยู่ตรงไหน และงานที่ดูเหมือนถูกต้องนั้นมีอะไรที่ยังไม่เข้าที่
ถ้าเราให้ AI ข้ามกระบวนการเหล่านี้ให้ทั้งหมดตั้งแต่วันแรก สิ่งที่หายไปอาจไม่ใช่เพียงโอกาสในการฝึกทำ แต่คือโอกาสในการสร้างมาตรฐานภายในของตัวเอง
และเมื่อไม่มีมาตรฐานนั้น การตรวจงาน AI ก็จะยากขึ้นทันที
เราไม่สามารถบอกได้ว่าโค้ดนี้ดีหรือไม่ หากไม่เข้าใจโค้ด เราไม่รู้ว่าร่างสัญญานี้มีช่องโหว่ตรงไหน หากไม่เข้าใจว่าความเสี่ยงถูกจัดสรรผ่านข้อความแต่ละข้ออย่างไร เราไม่รู้ว่าภาพนี้ดีจริงหรือเพียงดูสวย หากไม่เคยฝึกเรื่ององค์ประกอบและการสื่อสารด้วยภาพ และเรายิ่งไม่รู้ว่าคำตอบของ AI “แปลก” ตรงไหน หากไม่มีความรู้ของตัวเองมากพอที่จะรู้สึกว่าบางอย่างไม่ควรเป็นเช่นนั้น
นี่คือเหตุผลที่คนเริ่มต้นทำงานอาจต้องระวังเรื่องนี้มากกว่าคนมีประสบการณ์ คนที่ทำงานมาสิบปีสามารถใช้ AI ข้ามบางขั้นตอนได้ เพราะเขาเคยเดินผ่านขั้นเหล่านั้นมาแล้วและรู้ว่าข้างในมีอะไร แต่คนที่เพิ่งเริ่มทำงานแล้วข้ามขั้นเดียวกัน อาจกำลังข้ามช่วงเวลาที่ควรใช้สร้างพื้นฐานของตัวเองไปด้วย
ดังนั้น คำแนะนำว่า “ใช้ AI ให้เป็น” จึงควรมาพร้อมกับคำแนะนำอีกครึ่งหนึ่งว่า ต้องรู้ด้วยว่างานอะไรที่เรายังควรฝึกทำเอง
ไม่จำเป็นต้องทำทุกอย่างเองตลอดไป แต่ในช่วงสร้างทักษะ ควรมีบางพื้นที่ที่ตั้งใจไม่รีบเอาคำตอบจาก AI มาใช้ทันที ลองร่างก่อนแล้วค่อยให้ AI ช่วยวิจารณ์ ลองวิเคราะห์ข้อมูลด้วยตัวเองก่อนแล้วค่อยเปรียบเทียบ ลองเขียนโครงของ presentation ก่อนให้ AI ช่วยจัด ลองอ่านเอกสารต้นฉบับก่อนอ่านบทสรุป หรือเมื่อ AI สร้างงานมาให้แล้ว ลองรื้อกลับดูว่ามันสร้างขึ้นจากหลักอะไร
วิธีนี้ทำให้ AI เปลี่ยนจาก “คนทำแทน” มาเป็น “คู่ซ้อม” ได้
คนทำงานยังควรมี Core Professional Skills ที่ไม่ควรปล่อยให้หายไปตามความสะดวกของเครื่องมือ แต่ละอาชีพต้องตอบเรื่องนี้ให้ตัวเอง นักกฎหมายควรร่าง วิเคราะห์ข้อเท็จจริง ตั้งประเด็น และอ่านกฎหมายต้นฉบับเป็น นักบัญชีต้องเข้าใจหลักบัญชีและอ่านงบเป็น โปรแกรมเมอร์ต้องเข้าใจ logic, architecture และ debugging นักออกแบบต้องมีพื้นฐาน composition, typography และ visual communication ส่วนคนที่ทำงานบริหารก็ควรวิเคราะห์ปัญหา เขียน และเรียบเรียงเหตุผลของตัวเองได้
คำถามง่าย ๆ ที่ใช้ตรวจตัวเองได้คือ ถ้าวันนี้ AI หายไปหนึ่งวัน เรายังทำงานหลักของตัวเองได้หรือไม่
ไม่จำเป็นต้องทำได้เร็วเท่าเดิม และไม่จำเป็นต้องทำทุกอย่างได้สมบูรณ์ แต่ถ้าไม่รู้แม้กระทั่งว่าจะเริ่มต้นจากตรงไหน นั่นอาจเป็นสัญญาณว่าระหว่างที่เครื่องมือเก่งขึ้น เรากำลังปล่อยให้ทักษะพื้นฐานบางอย่างของตัวเองหายไปมากเกินไป
อีกคำถามหนึ่งอาจสำคัญยิ่งกว่า ถ้า AI ส่งงานที่ผิดมาให้ เรามีความรู้มากพอที่จะรู้หรือไม่ว่ามันผิด
เพราะในโลกที่ AI ผลิตของให้เราได้มากขึ้น คุณค่าของคนไม่ได้อยู่เพียงที่การกดปุ่มแล้วได้ผลงานออกมา แต่ยังอยู่ที่การเป็นคนที่สามารถรับผิดชอบต่อคุณภาพของงานชิ้นนั้นได้ด้วย และความรับผิดชอบโดยไม่มีความรู้จริงอยู่ข้างหลัง อาจเหลือเพียงชื่อของคนที่ต้องรับผิดเมื่อมีอะไรผิดพลาด
จึงไม่จำเป็นต้องเลือกระหว่าง “ทำเอง” กับ “ใช้ AI” คนทำงานที่เก่งในอนาคตน่าจะใช้ทั้งสองอย่าง เขารู้ว่าเรื่องไหนควรให้เครื่องมือทำเพื่อประหยัดเวลา เรื่องไหนควรลงมือเองเพื่อรักษาฝีมือ และเรื่องไหนแม้ให้ AI ทำได้ก็ต้องมีความรู้มากพอที่จะตรวจมันอย่างจริงจัง
AI สามารถย่นระยะเวลาจากโจทย์ไปถึงคำตอบให้สั้นลงมาก แต่ในช่วงต้นของชีวิตการทำงาน บางเส้นทางไม่ควรถูกย่นจนหายไปทั้งหมด เพราะระหว่างทางที่ดูช้าและน่าเบื่อนั้น เราไม่ได้กำลังสร้างแค่งานหนึ่งชิ้น
เรากำลังสร้างคนที่วันหนึ่งจะรู้ว่างานที่ดีควรเป็นอย่างไร
ยิ่งพร อินทร์ศรีชื่น
ทนายความ l วิทยากรด้านการพัฒนาทรัพยากรมนุษย์และภาวะผู้นำ