อย่างที่เคยเขียนไปว่า ผมเป็น ประธานคณะอนุกรรมาธิการศึกษาผลกระทบของปัญญาประดิษฐ์ต่อแรงงานสร้างสรรค์และการละเมิดลิขสิทธิ์ ในคณะกรรมาธิการพัฒนาเศรษฐกิจ สภาผู้แทนราษฏร
หน้าที่ของคณะอนุฯ ชุดนี้คือศึกษาผลกระทบว่า AI เข้ามาแย่งงานคนอย่างไร แม้ชื่อจั่วหัวว่าเป็นแรงงานในอุตสาหกรรมสร้างสรรค์ (creative economy) แต่จริงๆ แล้วประเด็นที่ศึกษากันก็ครอบคลุมไปไกลถึงแรงงานประเภทอื่นๆ ด้วยอยู่ดี
การตีกรอบปัญหาว่านี่คือ “AI vs มนุษย์” เป็นสิ่งที่เข้าใจง่าย แต่การหาทางออกกลับเป็นเรื่องยากมาก และผมพบว่าเราไม่มีกรอบวิธีคิดในการพิจารณาปัญหานี้สักเท่าไรนัก
บังเอิญไปเจองานวิจัย Building pro-worker artificial intelligence ของ Brookings Institution ที่ผู้เขียนคือ Daron Acemoglu และ Simon Johnson สองนักเศรษฐศาสตร์ระดับรางวัลโนเบลปี 2024 ร่วมกับนักเศรษฐศาสตร์อีกคน David Autor เลยตามไปอ่านเผื่อว่าจะได้มุมมองอะไรเพิ่มขึ้น
(ทั้งสามคนทำงานที่ MIT และอยู่ในสถาบันเฉพาะทางคือ MIT Stone Center on Inequality and Shaping the Future of Work ที่ศึกษาเกี่ยวกับ “การทำงาน” ในทางเศรษฐศาสตร์โดยตรง)
แก่นสำคัญของงานวิจัยนี้คือ ผู้เขียนนำเสนอ “ทางรอด” ของปัญหา “AI แย่งงานมนุษย์” ด้วยแนวคิดที่เรียกว่า Pro-worker AI หรือ “AI ที่ช่วยคนทำงาน”
เทคโนโลยีที่ Pro-worker
แล้ว pro-worker AI ที่ว่ามันคืออะไร? คำตอบมันค่อนข้างซับซ้อนทีเดียว
ผู้เขียนจึงยกตัวอย่างเปรียบเทียบเพื่อให้เห็นภาพ เป็นเทคโนโลยี “สมมติ” สำหรับงานบำรุงรักษาและซ่อมเครื่องบิน (aviation maintenance หรือ AMT) ที่ต่างกัน 3 แบบ ดังนี้
- Aviation Maintenance Automator (AMA) หมวกอัจฉริยะ ที่มีกล้องและเซ็นเซอร์มากมาย ใครก็ตามที่ใส่หมวกนี้แล้ว ฟังเสียงจาก AI บอกให้ทำอะไรแล้วทำตาม ก็ซ่อมเครื่องบินได้ แม้ไม่ต้องมีทักษะมาก่อน เอาไขควงหมุนน็อตตาม AI สั่งพอ
- AMT Assistant ต่างกับ AMA ตรงที่ทำงานเป็นแค่ “ผู้ช่วย” ช่างซ่อมเครื่องบิน คอยให้คำแนะนำในการแก้ปัญหาจากฐานข้อมูลที่เทรนเอาไว้ และช่วยเป็น simulator ซ้อมการซ่อมเครื่องบินได้ด้วย
- AMT Liftoff ไปไกลกว่า AMT Assitant คือช่วยอัพเกรดให้ช่างซ่อมเครื่องบิน สามารถไปซ่อมยานอวกาศได้ด้วย จากเดิมทำงานให้สายการบิน ก็ไปทำงานให้ NASA หรือ SpaceX แทนได้ รายได้ดีกว่าเดิมอีก
ความแตกต่างของเทคโนโลยี 3 แบบนี้คือ
- Aviation Maintenance Automator มีเป้าหมายสุดท้ายคือ “ลดคุณค่า” ของทักษะงานบำรุงรักษาเครื่องบินลง ช่างเครื่องจะตกงาน เพราะสุดท้ายจะมีหุ่นยนต์มาทำงานแทน เทคโนโลยีนี้ลดต้นทุนให้สายการบิน ช่วยให้ลูกค้าบินถูกลง แต่ต้องแลกมาด้วยการตกงานของช่างเครื่อง
- AMT Assistant เป็นการขยายความรู้ของช่างเครื่อง และลดภาระงานเอกสาร เพื่อให้ช่างเครื่องไปโฟกัสที่งานซ่อมหลักแทน แต่ AMT Assistant ก็มีผลกระทบทั้งบวกและลบไปพร้อมกัน นั่นคือ ช่วยให้ช่างหน้าใหม่เก่งขึ้นได้เร็ว แต่ช่างเก๋าเกมมีประสบการณ์ อาจโดนแย่งงานจากช่างหน้าใหม่ได้
- AMT Liftoff มีความคล้าย AMT Assistant มาก ต่างกันเรื่องเดียวคือ พัฒนาช่างเดิมไปสู่งานประเภทใหม่ ซึ่งไม่ได้แย่งงานกับใครเลย (เพราะเป็นงานที่ไม่เคยมีมาก่อน) เทคโนโลยีนี้เป็นประโยชน์กับทุกฝ่าย
คำถามถัดมาคือ แล้วเทคโนโลยีแบบไหนที่เรียกว่า pro-worker? คำตอบที่ใช่แน่ๆ คือข้อ (3) Liftoff ส่วนข้อ (2) Assistant แม้ผลรวมเป็นบวกต่อแรงงาน แต่ก็เฉพาะบางกลุ่ม แต่ข้อ (1) เองแม้ฟังดูแย่จัดๆ ในมุมของแรงงาน แต่ก็อาจมีข้อดีในบางกรณีเช่นกัน
ทักษะ vs ความเชี่ยวชาญ
ผู้เขียนพาเราย้อนกลับไปยังคำถามว่า อะไรเป็นตัวตัดสินว่าแรงงานควรได้ค่าจ้างเท่าไร? คำตอบคือ ค่าจ้างขึ้นอยู่กับความสามารถในการทำงาน (task) เพื่อสร้างสินค้า/บริการที่ตลาดต้องการ
การทำงาน (task) ให้สำเร็จ จำเป็นต้องใช้ 2 อย่างที่ฟังดูคล้ายๆ กันแต่เอาเข้าจริงต่างกัน ได้แก่
- ทักษะ (skills) เป็นความสามารถในทางกว้าง เช่น การคิดแบบมีเหตุผล ความเป็นผู้นำ ความสร้างสรรค์ ความพลิกแพลง ฯลฯ ซึ่งเป็นประโยชน์กับทุกวงการ ทุกอุตสาหกรรม ดังนั้นคุณค่าของมันที่คิดเป็นตัวเงิน สะท้อนผ่านค่าจ้าง จึงค่อนข้างคงที่ ไม่ลดลงง่ายๆ
- ความเชี่ยวชาญ (expertise) ความสามารถในเชิงลึก เช่น การเขียนโค้ด การทำขนม การเย็บผ้า ซึ่งคุณค่าเป็นตัวเงินจะเปลี่ยนแปลงได้ง่ายกว่า ตามเทคโนโลยีที่เปลี่ยนแปลง
ตัวอย่างคือ การเข้ามาของ AI แปลภาษา ทำให้งานแปลโดยมืออาชีพลดปริมาณลงมาก (expertise หมดค่า) แต่ทักษะการพูดได้หลายภาษา (skills) ยังเป็นสิ่งที่เป็นประโยชน์อยู่ต่อไป
เทคโนโลยี 5 ประเภท ที่ส่งผลต่อตลาดแรงงาน
หัวใจสำคัญที่สุดของงานวิจัยนี้คือ ผู้เขียนนำเสนอ framework ในการจัดกลุ่มเทคโนโลยี โดยใช้เกณฑ์แบ่งตามผลกระทบทางเศรษฐกิจด้านต่างๆ (productivity, expertise, wages, labor share) สามารถแบ่งออกเป็น 5 ประเภท คือ
- Labor-augmenting ใช้ทุน/เทคโนโลยีช่วยเพิ่มประสิทธิภาพของแรงงาน เช่น เครื่องปอกสายเคเบิลที่ใช้ไฟฟ้า ช่วยให้ปอกสายไฟเร็วกว่าเครื่องปอกด้วยมือ
- Capital-augmenting การอัพเกรดเครื่องมือเดิมที่มีอยู่แล้วให้ดีขึ้น (เพิ่มทุนเข้าไป ให้ประสิทธิภาพเครื่องจักรดีขึ้น) เช่น เครื่องปอกสายเคเบิลเวอร์ชันอัพเกรด ทำงานเร็วขึ้น
- Automation เครื่องจักรทำงานอัตโนมัติเลย มนุษย์ไม่ต้องเกี่ยวข้องแล้ว กลายเป็น หุ่นยนต์ติดตั้งสายเคเบิลไปเลย
- New task-creating อัพเกรดตัวเนื้องานไปเป็นงานใหม่ เช่น จากการเดินสายไฟฟ้า มาเป็นการเดินสายแลน หรือสายไฟเบอร์แทน
- Expertise-leveling ฉีกไปเลย เปลี่ยนแรงงานเดิมให้มีทักษะของวงการอื่น เช่น เมื่อ พยาบาลมีเครื่องวัดออกซิเจนในเลือดแล้ว งานสายเทคนิคการแพทย์ที่ทำหน้าที่วัดออกซิเจนก็หายไป มีทั้งกลุ่มที่ได้ประโยชน์และเสียประโยชน์
เมื่อแยกเทคโนโลยีเป็น 5 ประเภทข้างต้นแล้ว เราสามารถแยกแยะได้ทันทีว่า
- New task-creating เทคโนโลยีแบบที่ 4 เป็น pro-worker แน่นอน (เพิ่มผลิตภาพ สร้างงานใหม่ โดยไม่กระทบงานเดิม)
- Automation เทคโนโลยีแบบที่ 3 ไม่ใช่ pro-worker แน่นอน (เพิ่มผลิตภาพ แต่ทำลายงานเดิม และไม่สร้างงานใหม่)
- ส่วนข้อ (1), (2), (5) นั้นก้ำกึ่ง มีผลกระทบทั้งเชิงบวกและลบในด้านต่างๆ
Automation มีหลายระดับ หลายขั้นตอน
อ่านมาถึงตรงนี้เราอาจรู้สึกว่า automation นี่มันแย่จริง มาแย่งงานคน ทำให้คนตกงาน ไม่มีอะไรดีเลย
แต่ผู้เขียนชี้ว่าในรายละเอียด มันก็มี automation หลายแบบ ทั้งแบบที่กระจายความเชี่ยวชาญจากคนกลุ่มเล็กๆ ให้ขยายวงกว้าง (commodify) และแบบที่มาทดแทนแรงงาน (labor-saving)
ตัวอย่างแรกที่น่าสนใจคือ วงการนักเขียนบทภาพยนตร์ฮอลลีวู้ดเคยเผชิญกับกระแส automation สองรอบ รอบแรกคือคอมพิวเตอร์ (word processing / เครื่องมือตัดต่อ) รอบสองคือ AI
แต่ทำไม เทคโนโลยีรอบแรก (คอมพิวเตอร์) ถึงได้รับการต้อนรับ ในขณะที่รอบสอง (AI) กลับโดนต่อต้านหนัก ทั้งที่ทั้งสองเทคโนโลยีเป็น automation ประเภทหนึ่งเหมือนกัน
คำตอบคือถึงแม้ภายนอกดูเป็น automation เหมือนกัน แต่คอมพิวเตอร์ช่วยขยายความเชี่ยวชาญของนักเขียนบท ช่วยให้ทำงานมีประสิทธิภาพมากขึ้น (apply expertise more efficiently) ส่วน AI เป็นการแปลงความเชี่ยวชาญเฉพาะของนักเขียนบท ให้กลายเป็นสิ่งที่ใครๆ ก็ทำได้ในราคาถูก (turn expertise into a low-cost commodity)
อีกตัวอย่างหนึ่งคือ แอพเรียกรถ (ride-hailing app) มาช่วยเปลี่ยนแปลงตลาดแรงงานคนขับแท็กซี่ 2 รอบเช่นกัน โดยการมาถึงของแอพเรียกรถ ช่วยขยายจำนวนคนขับแท็กซี่ขึ้นมาก เพราะทำลายกำแพงเรื่องความเชี่ยวชาญเฉพาะ (คนขับเก่งๆ รู้จักเส้นทาง สถานที่ต่างๆ จำนวนมาก) กลายมาเป็นใครๆ ก็มาทำงานขับรถรับจ้างได้ ขอแค่มีรถ มีสมาร์ทโฟน มีใบขับขี่ และไม่มีประวัติอาชญากรรม ส่วนความเชี่ยวชาญในเส้นทางไปพึ่งพาเครื่องจักรแทน
ผลกระทบของแอพเรียกรถคือ ลดค่าตอบแทนของคนขับรุ่นเดิม แต่เพิ่มโอกาสใหม่ให้คนขับหน้าใหม่อีกจำนวนมาก ช่วยลดค่าเดินทางให้ผู้บริโภค แต่คนขับหน้าใหม่ที่ได้ประโยชน์ในยุคนี้ ก็กำลังเผชิญกับรถยนต์ไร้คนขับแบบ Waymo ที่อาจจะทำให้คนขับมนุษย์ตกงานไปเลยก็ได้
ในอีกด้าน เทคโนโลยี new task-creating ก็มีบริบทของมันที่อิงกับเวลาเช่นกัน ตัวอย่างคือ Amazon สร้างตำแหน่งงานด้านคลังสินค้าและลอจิสติกส์ใหม่ๆ ที่ไม่เคยมีมาก่อนเป็นล้านๆ ตำแหน่ง แต่กลับเป็นงานที่ค่าตอบแทนต่ำ ใช้ความเชี่ยวชาญเฉพาะด้านน้อย (low expertise) และกำลังจะถูกแทนที่ด้วย automation ในระยะถัดไป
กล่าวโดยสรุปคือ Automation ไม่ได้แย่ไปซะทั้งหมด ข้อดีของมันคือลดต้นทุน เพิ่มกำไร ซึ่งบางครั้งเป็นประโยชน์ต่อผู้บริโภคด้วย
แต่สุดท้ายแล้ว โลกไม่จดจำเทคโนโลยีที่ลดต้นทุน แต่จดจำเทคโนโลยีที่สร้างสิ่งใหม่ๆ ตัวอย่างคือบริษัท Ford Motor ที่คิดค้นระบบการผลิตที่ลดต้นทุนได้มาก แต่คนจดจำในฐานะบริษัทรถยนต์ที่ปฏิวัติวงการในยุคนั้น
ทำไม Automation จึงเป็นปัญหาต่อสังคม
ผู้เขียนยกงานวิจัยของ Acemoglu ในปี 2022 ที่ค้นพบว่าความเหลื่อมล้ำในสหรัฐอเมริกาช่วง 5 ทศวรรษที่ผ่านมา เกิดขึ้นใน 2 แกน
- ค่าตอบแทนที่ต่างกัน (wage gaps) ระหว่างกลุ่มคนทำงานที่มีระดับการศึกษา / ปัจจัยเชิงประชากรต่างกัน (เช่น คนขาวจบมหาวิทยาลัย vs คนดำไม่จบมหาวิทยาลัย)
- ช่องว่างระหว่างคนทำงาน (ใช้แรง) กับนายทุน (ใช้ทุน)
ปัญหาของ automation คือมันยิ่งเร่งเทรนด์ทั้ง 2 แกนนี้ ช่องว่างความเหลื่อมล้ำยิ่งถ่างขึ้น
- automation มาทดแทนแรงงานบางกลุ่ม เช่น หุ่นยนต์ที่มาทำงานแทนแรงงาน blue-collar
- automation ช่วยให้ฝ่ายสะสมทุนยิ่งเติบโต ในทางเศรษฐศาสตร์นั้น ความเป็นเจ้าของทุน (capital ownership) ไม่ได้กระจายตัวดีเท่ากับค่าตอบแทนของแรงงานอยู่แล้ว ยิ่งมี automation เข้ามายิ่งเพิ่มความเหลื่อมล้ำระหว่างเจ้าของทุนกับแรงงาน
เทคโนโลยี automation ที่ลดทั้งปริมาณการจ้างงาน และลดค่าตอบแทน ยังส่งผลกระทบเชิงสังคมตามมาด้วย เช่น ครอบครัวมีปัญหา ความรุนแรงในครอบครัว ปัญหาสุขภาพ ฯลฯ
ผลกระทบของ Automation ในอดีต
ประเด็นที่น่าสนใจอีกเรื่องคือ นักเศรษฐศาสตร์ทั้ง 3 คน ลองเปรียบเทียบว่าสัดส่วนผลิตภาพของแรงงานว่าคิดเป็นกี่ % ของ GDP แต่ละประเทศ (Labor’s share to GDP)
ข้อสันนิษฐานแรกคือ ยิ่งเป็นประเทศพัฒนาแล้ว รายได้สูง มีระบบ automation เยอะ ยิ่งน่าจะมีสัดส่วนการใช้แรงงานน้อยกว่าประเทศกำลังพัฒนา แต่สถิติชี้ว่ากลับกัน ประเทศยิ่งรวย ยิ่งมีสัดส่วนแรงงานมาก
คำอธิบายที่เป็นไปได้ที่สุดคือ การนำ automation มาใช้นั้นลดงานในรูปแบบเดิมๆ จริง แต่มันกลับช่วยสร้างงานประเภทใหม่ๆ ขึ้นมา โดยเฉพาะงานที่เกี่ยวกับเครื่องจักรอันใหม่นั่นแหละ เช่น งานออกแบบ ติตตั้ง ซ่อมบำรุง เมื่อหักลบกันแล้ว งานใหม่ที่สร้างมันมีจำนวนเยอะกว่า (อย่างน้อยก็เป็นจริงในอดีตที่ผ่านมา ส่วนอนาคตไม่รู้)
เพื่อไขคำตอบนี้ ต้องกลับไปดูงานอีกชิ้นของหนึ่งในผู้เขียนคือ Autor เคยย้อนกลับไปศึกษาผลกระทบของเทคโนโลยีต่อ “รูปแบบการทำงาน” ในอดีต แยกเป็น 2 ช่วงคือ ยุคสงครามโลกเป็นต้นมา (1940-1980) และยุคสมัยใหม่ (1980-2018)
Autor ค้นพบว่างานบางอย่างที่เคยบูมในยุคแรก (1940-1980) เช่น ก่อสร้าง งานผลิตในโรงงาน งานเสมียนและแอดมินเอกสาร (ส่วนใหญ่คืองาน blue-collar) เริ่มหายไปในยุคที่สอง (1980-2018) และเกิดงานประเภทใหม่ๆ ขึ้นมาในยุคที่สอง เช่น งานบริการสุขภาพ งานเทคนิค งานบริการโดยมืออาชีพ (professionals) และงานผู้จัดการ ซึ่งเราอาจเรียกมันว่าเป็นแบบ white-collar (คนงานคอปกขาว) ก็ได้
สิ่งที่น่าสนใจคือ งานรูปแบบใหม่ๆ ของยุค 1980-2018 จำเป็นต้องใช้วุฒิการศึกษาระดับวิทยาลัย (college degree) มากขึ้นกว่าในอดีตมาก จึงกลายเป็นการลดโอกาสของแรงงานที่ไม่มีวุฒิการศึกษาสูง ซึ่งเป็นกลุ่มที่ถูกทดแทนโดย automation ได้ง่ายด้วย
ตัวอย่าง Pro-worker AI ในโลกจริง
ถึงแม้ pro-worker AI เป็นศัพท์ใหม่ที่ถูกประดิษฐ์ขึ้นเพื่อใช้ในการวิเคราะห์ แต่จริงๆ มันเป็นสิ่งที่มีอยู่แล้วในปัจจุบัน ซึ่งผู้เขียนหยิบตัวอย่างมานำเสนอดังนี้
- Electrician’s Assistant (EA) ผู้ช่วยช่างไฟ เป็นเทคโนโลยีของบริษัท Schneider Electric ลักษณะเดียวกับ AMT Assistant เป๊ะเลย แค่เปลี่ยนจากช่างซ่อมเครื่องบินเป็นช่างไฟ มีระบบแนะนำข้อมูลแบบเรียลไทม์ โดยอิงจากฐานข้อมูลเครื่องจักร และสามารถช่วยเขียนรายงานหลังทำงานเสร็จแล้วได้ด้วย ประหยัดเวลาได้มาก ช่วยให้ช่างไฟใช้ความเชี่ยวชาญของตัวเองทำงานได้มีประสิทธิภาพมากขึ้น
- Service Worker’s Assistant ตัวอย่างคล้ายๆ กันแต่เปลี่ยนมาเป็นภาคบริการ ตัวอย่างในโลกจริงชื่อว่า Empowerment Companion ช่วยแนะนำอุปกรณ์ทำความสะอาดกับคราบสกปรกแบบต่างๆ และช่วยบันทึกให้ด้วยว่าทำงานสำเร็จจริงตามที่ลูกค้ามอบหมายงานมา อย่างไรก็ตาม ผู้เขียนชี้ว่าระบบแบบนี้อาจถูกใช้ monitor พฤติกรรมของลูกจ้าง (เช่น Amazon Flex สำหรับคนขับรถบรรทุกส่งของ) และอาจใช้เป็นเครื่องมือในการปลดคน
- Teacher’s AI-Aid ระบบช่วยงานครู เช็คระดับความพร้อมของนักเรียนแต่ละคน ออกแบบวิธีจัดกลุ่มนักเรียนให้ได้ผลลัพธ์ดีขึ้น และ “อาจ” ช่วยให้โรงเรียนต้องจ้างครูเพิ่ม เพราะมีวิธีการจัดกลุ่มหรือห้องเรียนที่เล็กลงแต่มีประสิทธิภาพมากขึ้น ถ้าเพิ่มครูเข้าไปอีกก็จะช่วยให้การสอนโดยรวมดีขึ้นตามไปด้วย
- Patent Examiner ระบบค้นหาสิทธิบัตรสำหรับเจ้าหน้าที่รับจดสิทธิบัตร เพื่อตรวจสอบว่าเป็นสิทธิบัตรใหม่จริงๆ หรือซ้ำกับของเดิม จากเดิมเจ้าหน้าที่ต้องอ่านเอกสารเยอะ มีระบบค้นหาแบบพื้นฐาน ก็มีระบบค้นหาแบบใหม่ที่สามารถตรวจเจอสิทธิบัตรคล้ายๆ กัน แม้ใช้คำศัพท์ไม่เหมือนกันเลย เป็นการลดภาระงานคุณค่าต่ำ (ค้นหา) ให้เจ้าหน้าที่มีเวลากับงานคุณค่าสูง (ประเมินและตัดสินใจ)
- Hearing AIds ระบบของบริษัทเดลิเวอรีจีน ช่วยให้ไรเดอร์ที่มีปัญหาด้านการได้ยิน โทรไปคุยกับลูกค้าตอนส่งของได้ ด้วย text-to-speech / speech-to-text ช่วยให้ทักษะของแรงงานมีคุณค่ามากขึ้น
ทำไม Pro-worker AI ถึงไม่ได้แพร่หลาย
ผู้เขียนเสนอแนวคิดว่า เครื่องมือที่ pro-worker เป็นประโยชน์ต่อบริษัท (pro-firm) ด้วย เพราะเมื่อผลิตภาพมากขึ้น บริษัทก็สามารถสร้างสินค้าหรือบริการใหม่ๆ ได้อีก แต่ทำไม เรากลับไม่ค่อยเห็นตลาดผลักดันเครื่องมือ pro-worker มากนัก เมื่อเทียบกับเครื่องมือจำพวก automation
ข้อสันนิษฐานของผู้เขียนคือมันเป็นปัญหาตลาดไม่ทำงาน (market failure) อันเนื่องมาจากผลประโยชน์ไม่ตรงกัน (misaligned incentives) ซึ่งแยกย่อยได้ 2 อย่าง
- ผลประโยชน์ของบริษัทไม่ตรงกัน (firm incentives) ตามหลักทางเศรษฐศาสตร์ มองว่าผู้บริหารบริษัทต้องการกำไรสูงสุด โดยใช้เทคโนโลยีใดๆ ก็ตามที่เพิ่มผลิตภาพให้แรงงานได้มากที่สุด แต่ในทางปฏิบัติ ผู้บริหารอาจมีปัญหาความสัมพันธ์กับพนักงาน สหภาพแรงงาน เลยอาจเลือกใช้ automation ลดคน ลดปัญหามากคนมากความ แทนการใช้ pro-worker ได้ ผู้บริหารบริษัทยังอาจเลือกใช้ automation เพื่อลดค่าใช้จ่าย รีดกำไรให้ตัวเอง ให้ผู้ถือหุ้น แม้ว่าผลิตภาพโดยรวมของทั้งบริษัทจะแย่กว่าการใช้ pro-worker ก็ตาม
- ผลประโยชน์ของนักพัฒนาไม่ตรงกัน (developer incentives) นักพัฒนาเทคโนโลยี จำเป็นต้องง้อลูกค้าบริษัท ถ้าบริษัทต้องการ automation มากกว่าก็ต้องตามนั้น, โมเดลธุรกิจของบริษัท AI ชั้นนำเอื้อต่อการทำ automation มากกว่า บริษัทรายเล็กๆ ที่มาเกาะเกี่ยวด้วยก็ต้องเดินไปตามนั้น, มุมมองหรือวิสัยทัศน์ของวงการ AI เองที่โฟกัสไปยัง AGI ว่าสุดท้ายแล้วเครื่องจักรจะฉลาดกว่ามนุษย์ในทุกๆ ด้าน AGI คือเป้าหมายสูงสุด ก็ผลักดันให้คนในวงการมุ่งไปทาง automation โดยอาจไม่รู้ตัว และปิดโอกาสโตของ pro-worker AI
เราจะผลักดัน Pro-worker AI กันอย่างไรดี
ผู้เขียนย้ำว่าพื้นฐานเทคโนโลยีของ pro-worker AI มันไม่ได้ต่างอะไรจาก AI แบบอื่น ความต่างคือวิสัยทัศน์ และมุมมองว่าจะใช้งานเทคโนโลยีเกิดใหม่อย่างไร ซึ่งเป้าหมายของ pro-worker AI คือการช่วยแรงงานทำงานเร็วขึ้น แก้ปัญหาใหม่ๆ และเรียนรู้ความเชี่ยวชาญใหม่ๆ
ส่วนวิธีการผลักดัน pro-worker AI มีข้อเสนอทั้งหมด 9 ประการ ดังนี้
- ผลักดัน pro-worker AI ในด้านสาธารณสุขและการศึกษา เหตุเพราะ (1) มีสัดส่วนใน GDP สูงมาก (2) รูปแบบเนื้องานเป็นงานบริการทั้งคู่ ซึ่งเป็นอุตสาหกรรมที่ผลิตภาพโตช้า เมื่อเทียบกับภาคการผลิตและงานสำนักงาน (3) AI สามารถเป็นผู้ช่วยคนทำงานตัดสินใจเรื่องต่างๆ ได้ในสเกลใหญ่ จึงเป็นอุตสาหกรรมที่เหมาะมากกับการใช้ AI ช่วยเพิ่มผลิตภาพ และเนื่องจากผู้ได้ประโยชน์คือสาธารณะ (นักเรียน, คนป่วย) รัฐจึงสามารถใช้กลไกด้านการจัดซื้อหรือกำหนดกฎเกณฑ์ ช่วยผลักดัน pro-worker AI ให้เกิดได้
- สร้างผู้เชี่ยวชาญ AI ภาครัฐ ต่อจากข้อแรกคือ เราจะใช้กลไกภาครัฐผลักดัน pro-worker AI ได้ ก็จำเป็นต้องมีคนที่รู้เรื่อง AI อยู่ในภาครัฐ เพื่อเป็นผู้นำในกระบวนการเหล่านี้ รัฐบาลจำเป็นต้องมีหน่วยงานผู้เชี่ยวชาญ AI เพื่อให้หน่วยงานอื่นๆ มาขอคำปรึกษาด้วย
- ใช้การให้ทุนภาครัฐผลักดันการลงทุน pro-worker AI เช่น เงินกองทุนวิจัยต่างๆ ในการวิจัยวิธีออกแบบ AI ให้ทำงานร่วมกับมนุษย์ได้ดีขึ้น
- ใช้การแข่งขันเพื่อค้นหาไอเดียที่เหมาะสม การให้ทุนวิจัยของรัฐตรงๆ มีปัญหาว่าจะเลือกโครงการไหนดี เพราะไม่มีใครรู้อนาคต แต่ถ้าใช้วิธีจัดแข่งขันลักษณะเดียวกับ DARPA challenge ก็จะช่วยให้คัดเลือกทีมหรือโครงการได้แม่นยำขึ้น
- ปรับโครงสร้างภาษี ระบบภาษีสหรัฐเอื้อให้บริษัทที่ลงทุนในอัลกอริทึมจ่ายภาษีน้อยกว่าบริษํทที่จ้างงานเยอะๆ ดังนั้นควรปรับแก้โครงสร้างภาษี ให้บริษัทจ่ายภาษีเท่าเทียมกัน ไม่ว่าจ้างคนหรือลงทุนในเครื่องจักร
- เพิ่มการแข่งขันของภาคเอกชน เพื่อไม่ให้มีบริษัท AI รายใหญ่เพียงไม่กี่รายครองตลาด เพราะ network effect มีผลมาก ยิ่งคนใช้เยอะ บริษัทที่เป็นผู้นำยิ่งแข็งแกร่ง หากบริษัทนั้นโฟกัสที่ automation ก็จะลดโอกาสของ pro-worker ลงไปด้วย สามารถใช้กฎหมายแข่งขันทางการค้าช่วยป้องกันการซื้อกิจการเพื่อกำจัดคู่แข่งได้
- รับฟังเสียงคนทำงานมากขึ้นในการกำหนดนโยบาย AI ส่งเสริมการรวมกลุ่ม สหภาพแรงงาน รวมถึงปรับกฎเกณฑ์ด้านความปลอดภัย จำกัดการใช้งาน AI ที่ยังไม่ถูกทดสอบมากพอ จนอาจเกิดความเสี่ยงกับแรงงาน
- จำกัดการขโมยความเชี่ยวชาญ (expertise theft) กฎหมายทรัพย์สินทางปัญญาในปัจจุบัน ไม่สามารถป้องกันไม่ให้ระบบ AI ในปัจจุบันเข้ามาดูดคอนเทนต์ไปเทรนโมเดล ซึ่งเป็นการขโมยความเชี่ยวชาญ (expertise) ของคนทำงาน โดยที่ไม่จ่ายค่าตอบแทนอะไรเลย (ผู้เขียนบอกว่าเหมือนเคส Napster ในอดีต ที่กฎหมายตามไม่ทันเทคโนโลยี) รวมถึงกรณีที่บริษัทเอาข้อมูลหรือทักษะของพนักงานไปเทรน เพื่อเป้าหมายจะปลดพนักงานในระยะถัดไป
- ผ่อนคลายใบอนุญาตวิชาชีพ การเกิดขึ้นของ pro-worker AI เปิดทางให้แรงงานหน้าใหม่ไปแข่งกับแรงงานหน้าเก่าได้ เช่น พยาบาลในปัจจุบันสามารถทำงานบางอย่างแทนหมอได้เลย ทักษะไม่ใช่ประเด็น ติดแค่เรื่องใบอนุญาตวิชาชีพเท่านั้น นี่จึงเป็นโอกาสที่เหมาะสมในการทบทวนเรื่องใบอนุญาตวิชาชีพกันใหม่ เพื่อหาสมดุลที่เหมาะสม
ผู้เขียนสรุปจบว่า ฝ่ายที่เชื่อใน AGI มักมองว่าฝ่าย pro-worker AI ไร้เดียงสา เพราะทำอะไรเพื่อช่วยสนับสนุนแรงงานในตอนนี้ สุดท้ายก็โดน AGI กินรวบหมดอยู่ดี
แต่ผู้เขียนมองว่ากว่า AGI จะมาถึงนั้นอีกนาน และไม่มีอะไรการันตีว่าจะเกิดขึ้นแน่นอนด้วย เราจึงควรเปิดโอกาสให้อนาคตหลายๆ แบบไปก่อน แถมประโยชน์ของ pro-worker AI เกิดขึ้นแล้วตั้งแต่ตอนนี้ ไม่ต้องรอ AGI แต่อย่างใด
วิธีการใช้งาน AI ต้องเป็นการดึงข้อดีของ AI ที่เหนือกว่ามนุษย์ (ความทรงจำไม่จำกัด แยกแยะแพทเทิร์นได้เร็ว ทำงานได้ตลอดเวลา) มาช่วยเสริมข้อดีของมนุษย์ (ตีความบริบท ตัดสินใจโดยอิงจริยธรรม หาโซลูชันที่สวยงาม และเข้าใจว่างานย่อยๆ แต่ละอย่างจะนำไปสู่เป้าหมายที่ใหญ่กว่าได้อย่างไร)
เส้นแบ่งระหว่างมนุษย์กับเครื่องจักรจะเปลี่ยนไปเรื่อยๆ ตามเทคโนโลยีที่เปลี่ยนไป ความยากจึงเป็นการหาว่าจุดสมดุลในแต่ละช่วงเวลาอยู่ตรงไหนกันแน่