เจาะลึกผลวิจัย Mercor: ช่องว่างมหาศาลระหว่างเบนช์มาร์กกับความเป็นจริงของแรงงาน
เมื่อวันที่ 16 ตุลาคม 2026 Mercor Research ได้เปิดเผยรายงานวิจัยและแผนผังเบนช์มาร์กแรงงาน (Benchmark Map of the US Economy) ซึ่งทำการวิเคราะห์เชิงระบบว่าชุดทดสอบปัญญาประดิษฐ์ (AI benchmarks) ในปัจจุบันมีความสอดคล้องกับงานที่ขับเคลื่อนเศรษฐกิจจริงมากน้อยเพียงใด โดยทีมวิจัยได้นำชุดทดสอบโมเดลภาษาขนาดใหญ่และระบบเอเจนต์ชั้นนำ 29 ตัว เช่น Mercor APEX, Terminal-Bench 2.1, Harvey LAB และ PhysicianBench มาจับคู่เข้ากับโครงสร้างอนุกรมวิธานอาชีพ O*NET ของกระทรวงแรงงานสหรัฐฯ
การวิจัยนี้ใช้ฐานข้อมูล O*NET ซึ่งจำแนกอาชีพออกเป็น 923 สาขาอาชีพ และแบ่งเนื้องานย่อยออกเป็น 18,797 ภารกิจ (discrete tasks) โดย Mercor กำหนดเกณฑ์ว่าภารกิจย่อยใดจะนับว่า 'มีการครอบคลุมจากการประเมิน' (covered) ได้นั้น จะต้องมีโจทย์ทดสอบ (prompts) ในเบนช์มาร์กที่เกี่ยวข้องโดยตรงอย่างน้อย 5 ชุดขึ้นไป
ผลลัพธ์เชิงประจักษ์เปิดเผยความจริงที่น่าตกใจ: มีเพียง 208 อาชีพจากทั้งหมด 923 อาชีพเท่านั้นที่มีภารกิจย่อยผ่านเกณฑ์การประเมินอย่างน้อย 1 ภารกิจ ยิ่งไปกว่านั้น เมื่อนำข้อมูลการใช้เวลาทำงานจริงของแรงงานอเมริกันมาคำนวณ พบว่าประมาณ 90% ของชั่วโมงทำงานโดยรวมในสหรัฐฯ ถูกใช้ไปกับภารกิจที่ไม่มีการประเมินผล หรือแทบไม่มีตัวแทนอยู่ในเบนช์มาร์ก AI ในปัจจุบันเลย
ความเอนเอียงเชิงโครงสร้าง: กระจุกตัวในงานรายได้สูง เมินกลุ่มงานอื่น
รายงานของ Mercor ชี้ให้เห็นถึงความลำเอียงเชิงโครงสร้างอย่างชัดเจนในการออกแบบชุดทดสอบ AI ของวงการเทคโนโลยี โดยเบนช์มาร์กส่วนใหญ่กระจุกตัวอย่างหนาแน่นอยู่ในกลุ่มภารกิจทางปัญญาที่ได้รับค่าตอบแทนสูงและจัดอยู่ในกลุ่มที่มี 'ความเสี่ยงต่อการถูกแทนที่ด้วย AI สูง' (AI-exposed cognitive tasks) เช่น วิศวกรรมซอฟต์แวร์ การร่างเอกสารทางกฎหมาย และการสร้างแบบจำลองทางการเงิน ซึ่งมีอัตราการถูกสร้างโจทย์ทดสอบสูงกว่างานที่ไม่เข้าเกณฑ์ดังกล่าวถึงราว 6 เท่า
แม้เมื่อนักวิจัยจะควบคุมปัจจัยด้านความเสี่ยงต่อ AI (AI-exposure) แล้วก็ตาม ข้อมูลยังชี้ชัดว่าภารกิจในกลุ่มอาชีพที่มีมูลค่าการจ่ายค่าจ้างรวมในตลาด (wage bills) สูง ก็ยังคงได้รับการบรรจุเป็นโจทย์ในเบนช์มาร์กมากกว่าอย่างมีนัยสำคัญ
ความไม่สมดุลนี้ส่งผลให้ 6 จาก 22 กลุ่มครอบครัวอาชีพหลัก (job families) ตามมาตรฐาน O*NET ไม่มีสาขาอาชีพใดเลยที่มีการประเมินผ่านเกณฑ์ขั้นต่ำ ซึ่งสะท้อนว่าการพัฒนาเบนช์มาร์กถูกขับเคลื่อนด้วยความต้องการลดต้นทุนเงินเดือนก้อนโตขององค์กร มากกว่าการสะท้อนขอบเขตงานจริงของเศรษฐกิจทั้งหมด
เสียงสะท้อนจากนักพัฒนาและผู้เชี่ยวชาญ: เบนช์มาร์กไม่ได้แปลว่า AI ทำงานไม่ได้
หลังจากงานวิจัยถูกเผยแพร่ ผู้ปฏิบัติงานและนักพัฒนาซอฟต์แวร์จำนวนมากได้หยิบยกประเด็นนี้มาแลกเปลี่ยนอย่างกว้างขวาง โดยมีข้อสังเกตสำคัญในสองทิศทาง มุมมองแรกชี้ให้เห็นว่าผู้สร้างเบนช์มาร์กหมกมุ่นอยู่กับกลุ่มงานออฟฟิศชั้นนำที่มีค่าใช้จ่ายสูง เช่น นักพัฒนาและนายธนาคาร แต่มองข้ามงานเอกสารธุรการที่ซับซ้อน เช่น เจ้าหน้าที่เสมียนศาล หรือเลขาธิการฝ่ายกฎหมาย รวมถึงงานที่ต้องมีการประสานงานเชิงปฏิบัติการทางกายภาพ
อย่างไรก็ตาม ผู้เชี่ยวชาญหลายคนได้ส่งเสียงเตือนถึงความเข้าใจผิดที่เกิดขึ้นตามมาในกลุ่มผู้ติดตามเทคโนโลยีบางส่วน ที่ด่วนสรุปว่า 'AI ทำงานได้เพียง 10% ของงานในระบบเศรษฐกิจ' ซึ่งเป็นการตีความที่ผิดจากหลักฐานเชิงประจักษ์
นักวิจัยยืนยันว่าการศึกษานี้เป็นการตรวจสอบ 'ความครอบคลุมของการวัดผล' (evaluation measurement coverage) ไม่ใช่ขีดจำกัดสูงสุดของความสามารถของโมเดล (empirical upper bound) โมเดล AI ยุคใหม่อาจมีความสามารถในการทำงานอีก 90% นั้นได้ แต่ปัจจุบันยังไม่มีชุดทดสอบที่เป็นมาตรฐานมารองรับการวัดผลดังกล่าวอย่างเป็นวิทยาศาสตร์
ข้อจำกัดของระเบียบวิธีวิจัยและข้อควรระวังในการตีความ
แม้ว่าแผนผังของ Mercor จะให้มุมมองใหม่ที่มีคุณค่า แต่ระเบียบวิธีวิจัยก็มีข้อจำกัดที่องค์กรธุรกิจต้องคำนึงถึง โดยการกระจายตัวของชั่วโมงทำงานที่นำมาคำนวณนั้น อ้างอิงจากข้อมูลจำลองการใช้เวลาของแรงงาน (modeled time-use data) จากแบบสำรวจของภาครัฐ ไม่ใช่ข้อมูลการทำงานจริงจากระบบตรวจวัดระดับองค์กร (enterprise telemetry)
นอกจากนี้ เกณฑ์การคัดเลือกที่กำหนดให้มีโจทย์ทดสอบอย่างน้อย 5 ข้อต่อหนึ่งภารกิจย่อยใน O*NET อาจส่งผลให้งานที่มีการประเมินแบบภาพรวมหรือโจทย์แบบสหวิทยาการไม่ถูกนับรวม ซึ่งอาจทำให้ตัวเลขอัตราการครอบคลุมดูต่ำกว่าความเป็นจริงเล็กน้อย
กระนั้น ผลการศึกษานี้ยังคงเป็นหลักฐานชิ้นสำคัญที่แสดงว่า วงการ AI ยังขาดเครื่องมือทดสอบที่สะท้อนความเป็นจริง และคะแนนการทดสอบตามหน้าสื่อมักเป็นเพียงภาพตัวแทนของกลุ่มงานส่วนน้อยที่มีแรงจูงใจทางการค้าสูงเท่านั้น
นัยสำคัญต่อภาคธุรกิจและผู้นำองค์กรในประเทศไทย
สำหรับผู้บริหารระดับสูงและผู้นำฝ่ายเทคโนโลยีสารสนเทศในประเทศไทย งานวิจัยนี้เป็นสัญญาณเตือนสำคัญต่อการนำผลคะแนนเบนช์มาร์กสากลมาใช้ตัดสินใจเชิงกลยุทธ์ ภาคธุรกิจไทยส่วนใหญ่มีโครงสร้างแรงงานที่ขับเคลื่อนด้วยการดำเนินงานภาคปฏิบัติ การค้าปลีก โลจิสติกส์ และงานบริการ ซึ่งแทบไม่มีการประเมินในชุดทดสอบระดับโลก
การด่วนสรุปว่าโมเดลที่มีคะแนนผู้นำบนลีดเดอร์บอร์ดจะสามารถเพิ่มผลิตภาพในองค์กรไทยได้ทันที อาจนำไปสู่ความผิดพลาดในการประเมินผลตอบแทนจากการลงทุน (ROI) องค์กรจำเป็นต้องออกแบบกรอบการประเมินผลภายใน (custom internal evaluation) ที่อิงตามกระบวนการทำงานและข้อมูลจริงของตนเอง แทนที่จะพึ่งพาคะแนนเบนช์มาร์กสาธารณะ
นอกจากนี้ ผู้นำองค์กรควรระมัดระวังการปรับโครงสร้างแรงงานหรือการคาดการณ์การแทนที่ตำแหน่งงาน โดยต้องตระหนักว่า 90% ของเนื้องานจริงในตลาดต้องการความยืดหยุ่นและการทำงานร่วมกันระหว่างมนุษย์กับระบบ ซึ่งยังไม่มีระบบประเมินอัตโนมัติใดการันตีความสำเร็จได้อย่างแท้จริง
ผู้นำองค์กรและฝ่ายทรัพยากรบุคคลมักตัดสินใจลงทุนด้าน AI โดยอิงคะแนนเบนช์มาร์กมาตรฐาน แต่ข้อมูลเชิงประจักษ์ชี้ว่าเบนช์มาร์กเหล่านี้ไม่ได้สะท้อนเนื้องานกว่า 90% ของตลาดแรงงานจริง ซึ่งเตือนให้ธุรกิจในไทยระวังการประเมินผลิตภาพเกินจริงในงานปฏิบัติการ