อนาคตของคนในโรงงาน ไม่ได้ถูกแทนที่ แต่จะถูกย้ายจากการทำซ้ำไปสู่การกำกับระบบ สรุปคู่มือการเปลี่ยนผ่านสู่โรงงานอัจฉริยะ จาก World Economic Forum

องค์กรอุตสาหกรรมที่ลงทุนพัฒนาคนควบคู่กับเทคโนโลยี ได้ผลิตภาพเพิ่มขึ้นมากกว่า 11% ขณะที่องค์กรที่ปล่อยให้เทคโนโลยีเดินนำโดยละเลยปัจจัยมนุษย์ ได้ผลิตภาพเพิ่มขึ้นเพียง 4%

ตัวเลขนี้มาจากรายงาน Human Machine Collaboration in Industrial Operations ของ World Economic Forum ร่วมกับ Accenture ที่กำลังตั้งคำถามตัวโต ๆ กับโลกอุตสาหกรรมว่า เราจะขยับจากการเพิ่มจำนวนหุ่นยนต์ในไลน์ผลิต หรือจำนวนระบบ AI ที่ถูกติดตั้ง ไปสู่การออกแบบให้คนทำงานร่วมกับเครื่องจักรอย่างไร ?

รายงานฉบับนี้ใช้คำว่า Human Machine Collaboration หรือการทำงานร่วมระหว่างมนุษย์กับเครื่องจักร หมายถึงการออกแบบงานใหม่ให้เครื่องจักรรับหน้าที่ที่เหมาะกับความเร็ว ความแม่นยำ และการประมวลผลข้อมูลจำนวนมาก ส่วนมนุษย์ขยับไปอยู่ในงานที่ต้องใช้วิจารณญาณ การกำหนดขอบเขต การตัดสินใจในสถานการณ์ที่ระบบจัดการเองไม่ได้ และการรับผิดชอบต่อผลลัพธ์ที่เกิดขึ้น

พูดให้เห็นภาพคือ โรงงานอัจฉริยะทำให้บทบาทของคนเปลี่ยนจาก 'คนลงมือทำซ้ำ' ไปสู่ 'คนกำกับระบบ' มากขึ้นเรื่อย ๆ

จากคนทำงานซ้ำ สู่คนกำกับระบบ

ภาพของโรงงานแบบเดิมวางอยู่บนระบบที่ค่อนข้างนิ่ง ตรวจสอบเป็นรอบ วางแผนเป็นรอบ และแก้ปัญหาเมื่อปัญหาเกิดขึ้นแล้ว แต่เทคโนโลยีแนวหน้าอย่าง AI, Machine Learning, หุ่นยนต์ และระบบเซนเซอร์ ทำให้โรงงานเริ่มเปลี่ยนไปสู่ระบบที่รับรู้สภาพหน้างานตลอดเวลา คาดการณ์ความเสี่ยงล่วงหน้า และปรับกระบวนการได้ใกล้เคียงเวลาจริง

Machine Learning คือเทคนิคที่ทำให้ระบบเรียนรู้รูปแบบจากข้อมูลเดิม แล้วใช้รูปแบบนั้นคาดการณ์หรือแนะนำการตัดสินใจใหม่ เช่น การดูข้อมูลแรงสั่น อุณหภูมิ ภาพจากกล้อง และสัญญาณเตือนของเครื่องจักร เพื่อประเมินว่าเครื่องจักรมีโอกาสเสียเมื่อไร และควรซ่อมก่อนที่ไลน์ผลิตจะหยุดอย่างไร

ผลลัพธ์คือหลายงานที่เคยต้องใช้คนเก็บข้อมูล ตรวจสอบ และตัดสินใจทีละขั้น เริ่มถูกระบบเข้ามาช่วยรับช่วง งานซ่อมบำรุงขยับจากการซ่อมเมื่อเสีย ไปสู่การคาดการณ์ก่อนเสีย งานคุณภาพขยับจากการตรวจเป็นจุด ๆ ไปสู่ระบบที่ปรับค่าการผลิตแบบต่อเนื่อง งานวางแผนการผลิตขยับจากรอบสัปดาห์ ไปสู่ระบบที่คำนวณแรงงาน วัตถุดิบ พลังงาน และข้อจำกัดหลายโรงงานพร้อมกัน

เครื่องจักรเก่งขึ้นมากในงานที่ต้องการความเร็วและความสม่ำเสมอ ส่วนงานของมนุษย์ย้ายไปอยู่กับคำถามที่ซับซ้อนกว่าเดิม ระบบควรให้ความสำคัญกับต้นทุน คุณภาพ ความยืดหยุ่น ความปลอดภัย หรือคาร์บอนมากกว่ากันในแต่ละสถานการณ์ ใครควรมีสิทธิ์กด override เมื่อระบบเสนอทางเลือกที่กระทบหลายแผนกพร้อมกัน และเมื่อระบบตัดสินใจพลาด ใครต้องรับผิดชอบ

รายงาน WEF เรียกการเปลี่ยนผ่านนี้ว่า งานกำลังย้ายจาก Execution หรือการลงมือปฏิบัติ ไปสู่ Governance หรือการกำกับดูแล

ช่องว่างใหญ่คือความพร้อมของคน

ในรายงานเปิดเผยตัวเลขสองด้าน ด้านหนึ่ง 86% ของนายจ้างคาดว่า AI และเทคโนโลยีประมวลผลข้อมูลจะเปลี่ยนธุรกิจภายในปี 2030 และ 85% ของผู้บริหารซัพพลายเชนมีแผนเพิ่มงบลงทุน AI ในปี 2026

อีกด้านหนึ่ง มีผู้ผลิตน้อยกว่า 1 ใน 10 และบริษัทซัพพลายเชนเพียง 1 ใน 4 ที่เริ่มเดินทางสู่ระบบอัตโนมัติเต็มรูปแบบ

ช่องว่างนี้เกิดจากความพร้อมของแรงงานที่ตามเทคโนโลยีไม่ทัน นายจ้างมองว่าช่องว่างด้านทักษะคืออุปสรรคใหญ่ที่สุดต่อการเปลี่ยนผ่านธุรกิจ ภายในปี 2030 แรงงานภาคการผลิต และแรงงานซัพพลายเชนจะต้องอัปสกิลหรือรีสกิล 

ขณะที่ Gartner คาดว่าในปี 2028 ความพยายามด้านการนำดิจิทัลมาใช้ในซัพพลายเชน จะส่งมอบคุณค่าได้ต่ำกว่าที่คาด เพราะลงทุนด้านการเรียนรู้และพัฒนาคนไม่พอ

ประเด็นสำคัญคือหลายองค์กรรู้ว่าต้องเปลี่ยน แต่ยังจัดงบและโครงสร้างแบบแยกส่วน งบเทคโนโลยีเดินเร็วกว่า งบพัฒนาคนเดินช้ากว่า พอระบบใหม่ถูกติดตั้งแล้ว คนหน้างานจึงต้องรับมือกับเครื่องมือที่ตนเองไม่ได้มีส่วนออกแบบ ไม่เข้าใจเงื่อนไขการตัดสินใจ และไม่มั่นใจว่าระบบจะช่วยให้ตัวเองเติบโต หรือค่อย ๆ ทำให้ตำแหน่งงานของตัวเองหายไป

ปัญหานี้เกิดขึ้นทั้งฝั่งคนหน้างานและฝั่งผู้นำ รายงานยังชี้ว่า มีผู้บริหารเพียง 1 ใน 3 ที่เชื่อว่าตนเองมีความเชี่ยวชาญด้านเทคโนโลยี หรือสามารถอธิบายวิสัยทัศน์การเปลี่ยนผ่านด้วย AI ได้อย่างน่าเชื่อถือพอ เมื่อผู้นำขอให้คนทั้งองค์กรเดินเข้าสู่ระบบใหม่ที่ตนเองยังอธิบายไม่ชัด ความน่าเชื่อถือของการเปลี่ยนผ่านก็ถูกสั่นคลอนตั้งแต่ต้น

เมื่อคนหน้างานมองไม่ออกว่า บริษัทกำลังเตรียมพวกเขาไปอนาคต หรือกำลังเตรียมระบบมาแทนพวกเขา ต่อให้เทคโนโลยีดีแค่ไหน การนำไปใช้จริงก็จะสะดุดตั้งแต่ระดับความเชื่อใจ

งานใหม่ของคนคือการกำหนดงานให้เครื่องจักร

รายงาน WEF แบ่งการเปลี่ยนแปลงของงานออกเป็น 4 รูปแบบ ได้แก่ 

1. Elevated หรืองานที่ถูกยกระดับจากงานปฏิบัติไปสู่งานตัดสินใจ
2. Expanded หรืองานเดิมที่ขยายความรับผิดชอบ
3. Consolidated หรืองานที่ถูกรวมเข้ากับงานอื่น
4. Emerging หรืองานใหม่ที่เกิดจากเทคโนโลยีที่ไม่เคยมีมาก่อน

ตัวอย่างในสาย Production ค่อนข้างชัด Manufacturing Engineer อาจใช้เวลาน้อยลงกับงานระดับปฏิบัติการ และใช้เวลามากขึ้นกับการตรวจสอบ Production Logic ที่ AI สร้างขึ้น การกำหนดขอบเขตการตัดสินใจของระบบ และการจัดการข้อยกเว้นที่เชื่อมหลายขั้นตอนของการผลิตเข้าด้วยกัน

Production Operator ในบางบริบทอาจค่อย ๆ เปลี่ยนไปสู่บทบาทใหม่อย่าง Robo Engineer หรือ Orchestrator แปลวว่าแรงงานหน้างานจะต้องเข้าใจการสอนหุ่นยนต์ การตรวจสอบพฤติกรรมของระบบอัตโนมัติ และการเข้าแทรกแซงเมื่อระบบออกนอกขอบเขตที่กำหนดไว้ โดยไม่จำเป็นต้องตีความว่าคนหน้างานทุกคนจะกลายเป็นวิศวกรหุ่นยนต์ทันที

Schneider Electric ที่อู่ฮั่น ประเทศจีน บริษัทใช้ Gen AI ร่วมกับแว่น AR เพื่อช่วยพนักงานใหม่ดูข้อมูลเครื่องจักร คู่มือ คำแนะนำ และแนวทางแก้ปัญหาได้ตั้งแต่วันแรก 

ระบบนี้ช่วยลดเวลาที่ช่างเทคนิคใหม่ใช้ในการเรียนรู้อุปกรณ์จาก 18 เดือน เหลือ 9 เดือน แต่รายงานชี้ว่าปัจจัยสำคัญอยู่ที่ trust loop ซึ่งให้ Operator ซักถาม ตรวจสอบ และปรับคำแนะนำของโมเดล ความรู้ฝังลึกของช่างรุ่นเก่าจึงค่อย ๆ ถูกถ่ายทอดเข้าสู่ระบบ ขณะเดียวกันพนักงานใหม่ก็เรียนรู้ได้เร็วขึ้น

AI ในโรงงานจึงทำหน้าที่มากกว่าการลดต้นทุนแรงงาน มันทำให้ความรู้หน้างานถูกจัดเก็บ ถ่ายทอด และยกระดับเป็น capability ขององค์กร

สกิลคือสัญญาณว่างานของคนกำลังเปลี่ยน

Future Skills Matrix ของ WEF รายงานระบุว่า จากทักษะทั้งหมด 102 รายการ ที่ถูกระบุใน matrix นี้ มี 42 รายการ หรือประมาณ 41% ที่เป็นทักษะใหม่หรือกำลังเกิดขึ้น

ตัวเลขนี้สำคัญเพราะมันบอกว่า การเปลี่ยนผ่านสู่โรงงานอัจฉริยะ ต้องปรับโครงสร้างทักษะของแรงงานโดยตรง งานของคนในโรงงานยุค AI จะขยับจากการใช้เครื่องมือ ไปสู่การตรวจสอบคำแนะนำของระบบ การประเมินผลลัพธ์จาก AI และการตัดสินใจเมื่อระบบอัตโนมัติเจอสถานการณ์ที่อยู่นอกขอบเขต

ในกลุ่ม Functional Skills หรือทักษะตามหน้าที่งาน รายงานระบุว่ามีทักษะเดิม 30 รายการ และทักษะใหม่ 5 รายการ ทักษะใหม่ที่ถูกยกขึ้นมาเกี่ยวข้องกับการกำกับ AI และระบบอัตโนมัติ การตรวจสอบผลลัพธ์จาก AI และการใช้วิจารณญาณขั้นสูง 

พูดง่าย ๆ คือคนในโรงงานต้องเข้าใจมากขึ้นว่า AI ควรตัดสินใจได้แค่ไหน และจุดไหนที่มนุษย์ต้องเป็นคนรับไม้ต่อ

กลุ่มที่เปลี่ยนหนักที่สุดคือ Technology Tools มีทักษะเดิม 18 รายการ แต่มีทักษะใหม่หรือกำลังเกิดขึ้นถึง 26 รายการ ตั้งแต่ Blockchain และ Digital Passport Platform ไปจนถึง Digital Twin Simulation and Analysis Tools 

อีกกลุ่มที่น่าสนใจคือ Behaviours & Mindsets มีทักษะเดิม 12 รายการ และทักษะใหม่ 11 รายการ ตัวอย่างที่รายงานยกขึ้นมา ได้แก่ การประเมินผลลัพธ์จากระบบอัตโนมัติอย่างมีวิจารณญาณ และการคัดเลือกทางเลือกที่เครื่องจักรสร้างขึ้นมาให้เหมาะกับบริบทจริงของงาน

ความหมายของทั้งหมดนี้คือ โรงงานอัจฉริยะต้องการแรงงานที่ทำงานร่วมกับ AI ได้อย่างมีวินัย รู้ว่าเมื่อไรควรเชื่อระบบ เมื่อไรควรตั้งคำถาม และเมื่อไรต้องหยุดระบบเพื่อให้มนุษย์ตัดสินใจ งานของคนจึงย้ายไปอยู่ในจุดที่ความผิดพลาดมีต้นทุนสูงกว่าเดิม

อ้างอิง : Human Machine Collaboration in Industrial Operations: Activation Playbook