'สลิป 7 ล้านบาท' กับ 'สองทักษะ' ที่ 'AI' แทนเราไม่ได้

เช้าวันจันทร์ที่ผ่านมา ผมตื่นมาเห็นภาพสลิปโอนเงิน 7 ล้านบาทที่อ้างว่าเป็นเงินโอนเข้าบัญชีนายกรัฐมนตรี ถูกส่งต่อกันไปทั่วโซเชียลมีเดียพร้อมความเห็นดุเดือดนับไม่ถ้วน ผมอ่านข้อความแล้วดูตัวสลิปก็คิดว่าน่าจะเป็นข้อมูลเท็จ แต่สิ่งที่ทำให้ผมต้องหยุดคิดจริงจังคือคนที่กดแชร์โดยไม่มีคำว่า “เอ๊ะ” เกิดขึ้นในหัวเลยแม้แต่น้อยนั้นมีจำนวนมากพอควร และบางคนก็ดูเหมือนเชื่อไปแล้วว่าเป็นจริง

ลองคิดง่ายๆ คนที่จะให้สินบนใครสักคน เขาจะโอนผ่านบัญชีธนาคารที่ตรวจสอบย้อนหลังได้ทุกบาทหรือ? ยิ่งถ้าเป็นนักการเมืองชั้นนำเขาจะให้เลขบัญชีกับคนที่ไม่รู้จักหรือ? และวงเงินโอนออนไลน์ของธนาคารส่วนใหญ่ในบ้านเราบัญชีทั่วไปกำหนดไว้ที่ราว 2 ล้านบาท ลูกค้าระดับพิเศษก็ประมาณ 5 ล้านบาท ดังนั้นตัวเลข 7 ล้านในสลิปใบเดียวจึงผิดสังเกตตั้งแต่แรกเห็น ภาพแบบนี้ไม่ต้องใช้ AI ทำอะไรเลย โปรแกรมตกแต่งภาพธรรมดาก็ทำได้ในไม่กี่นาที ในวงการ AI ถึงเรียกของแบบนี้ว่า Cheap fake ไม่ใช่ Deepfake ด้วยซ้ำ

ที่น่ากังวลกว่านั้นคือ เมื่อมีคนตั้งข้อสังเกตว่าสลิปน่าจะปลอม กลับมีอีกหลายคนย้อนถามว่า แล้วมีหลักฐานไหมว่ามันปลอม นี่คือการกลับหัวกลับหางของหลักคิดพื้นฐานการคิดเชิงวิพากษ์ (Critical Thinking) ที่ไม่ควรเริ่มจากการหาหลักฐานมาหักล้าง แต่เริ่มจากการตั้งสมมติฐานก่อนว่าน้ำหนักความเป็นไปได้เทไปทางไหน เมื่อความเป็นไปได้ต่ำ ภาระการพิสูจน์ต้องอยู่ที่ผู้โพสต์ว่ามีการโอนจริงหรือไม่ เพราะแม้แต่ภาพสลิปที่โอนก็เบลอ QR Code ไม่ให้ตรวจสอบได้ ไม่ใช่ให้คนที่สงสัยไปหาเอกสารมาแก้ต่างว่าสลิปนั้นไม่จริง

ในยุค AI สิ่งที่ต่างจากสมัยก่อนอย่างชัดเจนคือต้นทุนของการสร้างเรื่องเท็จวันนี้แทบเป็นศูนย์ ขณะที่ต้นทุนของการตรวจสอบยังสูงเท่าเดิม คนทำภาพสลิปปลอมใช้เวลาไม่กี่นาทีก็ทำได้ แต่คนที่จะไปขอเอกสารยืนยันจากธนาคารอาจต้องใช้เวลาเป็นวัน ความไม่สมมาตรนี้ทำให้เราไล่ตรวจทุกอย่างไม่มีทางทัน เครื่องมือเดียวที่ยังใช้ได้คือการประเมินความน่าเชื่อถือก่อนรับข้อมูลเข้ามา และที่ย้อนแย้งคือ AI ที่หลายคนมองว่าเป็นต้นเหตุของข่าวปลอม กลับเป็นตัวช่วยตรวจสอบที่ดีที่สุดตัวหนึ่ง เพียงแค่ถามมันว่าธนาคารไทยโอนออนไลน์ได้สูงสุดเท่าไร ก็ได้คำตอบในเวลาไม่ถึงนาที แต่คนจะถามได้ก็ต่อเมื่อเกิดคำว่า “เอ๊ะ” ขึ้นก่อน

ทุกวันนี้เราอยู่ในยุคที่ AI เขียน วาด สรุป ค้นหา และวิเคราะห์ได้แทนเราแทบทุกอย่าง ทักษะที่คนทำงานต้องมีไม่ใช่ทักษะเทคนิค แต่เป็นทักษะทางความคิดสองอย่างที่ควบคู่กันไป อย่างแรกคือการคิดเชิงวิพากษ์ที่เพิ่งพูดถึง อย่างที่สองคือการแก้ปัญหาด้วย AI หรือ Problem Solving using AI ซึ่งหลายคนเข้าใจผิดว่าหมายถึงการใช้เครื่องมือ AI ให้คล่องแต่ต้องเข้าใจให้ชัดว่า การแก้ปัญหาด้วย AI ไม่ได้เริ่มจากเครื่องมือ มันเริ่มจากโจทย์ คือเราต้องตอบตัวเองก่อนว่าปัญหาที่อยากแก้คืออะไร แล้วแตกโจทย์นั้นออกเป็นขั้นตอน ดูว่าขั้นตอนไหน AI สามารถทำได้ แล้วเลือกว่าขั้นไหนให้ AI ทำ ขั้นไหนคนต้องทำเอง และท้ายสุดต้องตรวจสอบผลที่ได้ด้วยวิจารณญาณและทักษะการคิดเชิงวิพากษ์ของเราเอง เพราะ AI ยังมีโอกาสทำงานผิดพลาดหรือสร้างข้อมูลที่ไม่มีอยู่จริงออกมาอย่างมั่นใจ นั่นคือจุดที่ทักษะทั้งสองกลับมาบรรจบกัน

ทุกครั้งที่ผมบรรยายการใช้ AI ตามที่ต่างๆ ผมมักจะยกตัวอย่างโจทย์จริงที่ผมใช้ AI แก้ในชีวิตการทำงานหลายโจทย์ เช่น การลดเวลาเขียนบทความ ผมไม่ได้สั่งให้ AI เขียนให้จบในคำสั่งเดียว แต่แยกเป็นสี่ขั้น ใช้ AI ค้นหาข้อมูลตัวหนึ่ง ใช้อีกตัวร่างบทความ จากนั้นผมเขียนเองด้วยมุมมองและสำนวนของตัวเอง แล้วส่งให้ AI อีกตัวตรวจสอบความถูกต้องของข้อเท็จจริงปิดท้าย คนที่ไม่แตกโจทย์แบบนี้มักได้บทความที่อาจเขียนได้ดีแต่ไม่มีความเห็นของตัวเองอยู่ในนั้นเลย หรืออาจได้บทความที่ให้ข้อมูลผิดๆ ออกมา

ยังมีโจทย์อื่นๆ คือสรุปรายการวิทยุที่ผมจัดทุกสัปดาห์ให้เป็นอินโฟกราฟิก ซึ่งผมก็ต้องเลือกใช้ AI สองตัวในการทำ เพราะแต่ละตัวแก้ปัญหาได้เก่งไม่เหมือนกัน ตัวหนึ่งสรุปบทถอดเสียง อีกตัวสร้างภาพ หรือโจทย์การเอารายงานตัวเลขที่อยู่ในไฟล์ PDF หลายฉบับมากรอกลง Spreadsheet ผมก็อาจใช้เครื่องมือ AI ที่ต่างกัน

ผมยังมีตัวอย่างของโจทย์อื่นๆ ที่ใช้ทำเป็นประจำ เช่น การให้ AI อ่านวาระการประชุมบางอย่างล่วงหน้าแล้วชี้จุดที่ควรซักถาม ค้นหาและวิเคราะห์รายงานประจำปีของธนาคารพาณิชย์หลายแห่งพร้อมกัน สร้าง Dashboard สรุปงบการเงิน ทำสไลด์ประกอบการบรรยาย ไปจนถึงแปลหนังสือประวัติศาสตร์ภาษาอังกฤษทั้งเล่ม ทุกโจทย์ไม่ได้เริ่มจากคำถามว่า AI ตัวนี้ทำอะไรได้ แต่เริ่มจากคำถามว่าผมมีปัญหาอะไรอยู่ แล้วค่อยคิดว่า AI แก้ปัญหานี้ได้หรือไม่ และเครื่องมือ AI ตัวไหนที่ช่วยได้

สิ่งที่โจทย์เหล่านี้มีร่วมกันคือ ในทุกโจทย์จะมีขั้นตอนที่คนต้องเป็นเจ้าของเสมอ และมักเป็นขั้นแรกกับขั้นสุดท้าย ขั้นแรกคือการตั้งคำถามว่าจะแก้อะไร ขั้นสุดท้ายคือการตัดสินว่าผลที่ได้ใช้ได้จริงหรือไม่ เมื่อ AI อ่านวาระการประชุมแล้วชี้จุดน่าสงสัยมาสิบจุด คนที่ต้องเลือกว่าจุดไหนควรถามในห้องประชุมคือผม เมื่อ AI แปลหนังสือประวัติศาสตร์ออกมาทั้งเล่ม คนที่ต้องนั่งไล่ดูชื่อบุคคลและปีที่อาจคลาดเคลื่อนก็คือผม ส่วนที่อยู่ตรงกลางระหว่างสองขั้นนี้ต่างหากที่ AI ทำแทนได้เกือบหมดและทำได้ดีขึ้นทุกเดือน คนที่คิดว่าใช้ AI เป็นแล้วแต่ยังเริ่มจากเครื่องมือและจบที่การก๊อปปี้คำตอบไปใช้เลยนั้น จึงเท่ากับยกสองขั้นที่สำคัญที่สุดให้เครื่องมือ AI ไปทำแทน

ถ้าถอยออกมามอง นี่คือเหตุผลที่ผมมองว่าคนทำงานไม่จำเป็นต้องไล่ตามว่าโมเดลตัวไหนฉลาดที่สุด เพราะวันนี้โมเดลชั้นนำมีความสามารถใกล้เคียงกันหมด เครื่องมือ AI จึงแข่งกันที่ความสามารถในการทำงานจริง เช่น เชื่อมต่อกับปฏิทิน อีเมล สร้างไฟล์ได้เอง โมเดลที่ฉลาดแต่ทำได้แค่ตอบคำถาม ก็เหมือนเราจ้างคนฉลาดมาเพียงแค่นั่งคุย แล้วบอกว่างานสำคัญไม่ต้องทำ คนที่ใช้ AI เพื่อการทำงานจริง งานส่วนใหญ่ก็ไม่ได้หาเครื่องมือ AI เพียงเพื่อความฉลาด แต่ต้องการให้มันทำงานแทนได้มากขึ้น นั่นหมายความว่าคุณค่าของคนไม่ได้อยู่ที่รู้จักเครื่องมือมากกว่าใคร แต่อยู่ที่ตั้งโจทย์ได้ชัดกว่าใคร

ในบ้านเราวันนี้ การอบรม AI ส่วนใหญ่ที่ผมเห็นยังเน้นสอนว่าเมนูไหนอยู่ตรงไหน เขียนคำสั่งอย่างไร ซึ่งเป็นความรู้ที่หมดอายุทุกครั้งที่แอปอัปเดต แต่ทักษะที่จำเป็นอย่างยิ่งอย่างการหยุดคิดก่อนนำผลลัพธ์ของ AI ไปใช้งาน หรือการแตกโจทย์งานของตัวเองก่อนเปิดเครื่องมือมาใช้ กลับแทบไม่มีใครสอน ผมไม่ได้บอกว่าทักษะการใช้เครื่องมือไม่สำคัญ แต่สองทักษะที่ผมพูดถึงนี้ต่างหากที่เครื่องมือยังทำแทนเราไม่ได้ และยิ่ง AI เก่งขึ้นเท่าไร ช่องว่างระหว่างคนที่มีกับคนที่ไม่มีทักษะนี้ก็จะยิ่งถ่างออก

ตัวชี้วัดว่าสังคมไทยพร้อมกับยุค AI หรือยัง จึงไม่ใช่จำนวนคนที่สมัครใช้ AI หรือจำนวนคนที่มาเรียนในหลักสูตรที่เปิดสอน แต่เป็นจำนวนคนที่ “หยุดเอ๊ะ” ก่อนนำผลลัพธ์ของ AI ออกไปใช้งาน และจำนวนคนที่เปิดแอป AI พร้อมโจทย์ในหัว ไม่ใช่เปิดแล้วค่อยถามว่าวันนี้จะให้มันทำอะไรดี