Videos → The displacement dilemma in the Workforce

แนะนำตัวอาจารย์ ดร.สมทิพ0:00

ค่ะ สวัสดีค่ะ ชื่อ สมทิพ วัฒนพงษ์วานิช นะคะ ชื่อเล่นชื่อโน้ต จริงๆ เรียกพี่หรือเรียกน้องก็ได้นะคะ ก็ เป็นอาจารย์อยู่ที่คณะเศรษฐศาสตร์จุฬา

เศรษฐกิจ AI ในโลกไร้งาน: ผลกระทบต่อตลาดแรงงาน0:12

เพราะฉะนั้นวันเนี้ย ที่มาเนี่ย จะเน้นเล่าให้ฟังแบบ เป็นคำง่ายๆ ก่อนว่า

ถ้าสมมุติว่าเรามองเรื่อง ที่เหมือนตามชื่อ topic เลยอ่ะ เศรษฐกิจ AI ในโลกไร้งานเนี่ย มันจะกระทบตลาดแรงงานยังไง เพราะฉะนั้นน่ะ อันดับแรก เราจะลองเล่า framework ก่อนว่า ในมุมมองของเศรษฐศาสตร์อ่ะ เรามองว่าเทคโนโลยีอ่ะ มันกระทบแรงงานยังไงบ้าง หลังจากนั้นเนี่ย เราจะฉายภาพให้ดูว่า ถ้าตลาดแรงงานในประเทศไทยอ่ะ หน้าตาตอนเนี้ย เป็นยังไง แล้วอะไรที่จะต้องกังวลต่อไปในอนาคต พร้อมทั้งปิดท้ายด้วย คล้ายๆ เป็น case study ของประเทศที่อาจจะกำลังแซงเราแล้ว

ก็คืออินโดนีเซียนะคะ ว่าเค้าทำอะไร ที่เค้าเป็นการ upskilling แล้วก็ reskilling ของประชากรประเทศเค้าบ้าง เนาะ

ผลกระทบของเทคโนโลยี: ด้านบวกและด้านลบ1:00

เพราะฉะนั้นอันดับแรก เรามาลองเริ่มต้นดูก่อนว่า เกิดอะไรขึ้นเวลาเราพูดว่ามีเทคโนโลยี นะคะ อันดับแรกเนี่ย เวลาเราพูดว่ามี เทคโนโลยีใหม่ๆ เกิดขึ้น แน่นอนมันมาพร้อมทั้งฝั่งบวกแล้วก็ฝั่งลบ

ฝั่งที่สร้างความเจริญมหาศาล จริงมั้ย เพราะฉะนั้นน่ะ อันดับแรกในระยะสั้นนะคะ สิ่งที่เราจะเห็นได้ชัดเจนคือ เราจะรู้สึกว่าเศรษฐกิจ หรือว่าการผลิต เมื่อเทคโนโลยีใหม่ๆ มา ตลาดมันจะบูมทันที แล้วเราก็จะรู้เลยว่า เฮ้ยในระยะสั้นเนี่ย เศรษฐกิจโตแน่ ประเทศนู้นนี้ ใคร adopt เทคโนโลยีเร็วกว่า move ก่อนเนี่ย ไปไกลกว่าก่อนละ รู้เลย แต่ทีเนี้ย ปัญหาก็คือ เวลาเราจะดูว่ามันกระทบตลาดแรงงานยังไงอ่ะ เราไม่เห็นในระยะสั้นหรอก เพราะกว่าคนจะปรับตัว กว่าตลาดแรงงานจะปรับตัว ผลที่จะเห็นจะเกิดอ่ะ มันนานกว่านั้น เนาะ เพราะฉะนั้นแปลว่าภาพที่ฉายวันเนี้ย มันจะคือการดูภาพตลาดแรงงาน ที่ค่อนข้างเป็นระยะยาวขึ้นหน่อยนึงนะคะ

ตัวอย่างผลกระทบด้านบวกของเทคโนโลยี2:02

อ่ะ แล้วก็อย่างที่บอกว่าเวลาเทคโนโลยีมาปุ๊บอ่ะ เรามันมีทั้งฝั่งบวกฝั่งลบใช่มั้ย อันนี้จะยกตัวอย่างเป็นแบบ simple case ง่ายๆ ว่าเวลาเราคิดว่ามีเทคโนโลยีใหม่ๆ ข้อดีของมันมีอะไรบ้าง

แน่นอนมันเกิด job creation สร้างงานใหม่ๆ สร้างอาชีพใหม่ๆ ให้เราลองย้อนอดีตนะ สมัยคุณพ่อคุณแม่เราเงี้ย แน่นอนอาชีพในสมัยคุณพ่อคุณแม่อ่ะ มีอยู่ไม่กี่อาชีพหรอก ใครๆ ก็อยากให้ลูกเป็นหมอ เป็นตำรวจ

รับราชการนู่นนี่ ใช่ป่ะคะ แต่สมัยเนี้ย ถามว่าเด็ก เอาจริงๆ ส่วนตัวนะ ถ้าถามว่าไปคุยกับเด็กมัธยมอยู่เงี้ย อาจจะยังไม่ get เท่าไหร่ด้วยซ้ำ เพราะรู้สึกว่า generation gap มันตามทันเราเร็วขึ้นเรื่อยๆ แล้วอ่ะ กลายเป็นว่าเด็กยุคเนี้ย เขามีอาชีพใหม่ๆ ที่ทำเงินได้จริง เขาอยู่รอดได้จริงอ่ะ มากกว่ายุคเก่าเยอะเลย ซึ่งมันมาพร้อม เทคโนโลยี ตัวอย่างเช่นคือไง ถ้าสมัยเนี้ย เชื่อว่าหลายคน เด็กๆ หลายคนก็อาจจะบอกว่า อยากเป็น YouTuber อยากเป็น influencer จริงป่ะ ถามว่า 10 ปีที่แล้วอ่ะ influencer YouTuber เนี่ย ไม่มีอาชีพนี้ด้วยซ้ำอ่ะ แต่ตอนเนี้ย มันเป็นอาชีพที่ทำเงินได้จริง สร้าง impact จริงแล้วอ่ะ นึกออกมั้ยคะ อ่ะ อันนี้ก็คือตัวอย่างนึงของ job creation และถ้าสมมุติเป็นฝั่งอื่นๆ ของเทคโนโลยีบ้าง แน่นอน automation of repetitive tasks ตัวอย่างก็คือไง เช่นการที่มีหุ่นยนต์หรืออะไรก็ตามที่มันช่วยเราทำงาน อะไรซ้ำๆ อ่ะ นึกออกป่ะ อย่างเช่นอ่ะ ถ้าโรงงานอย่างเงี้ย สมัยก่อนโบราณยังไม่มีเครื่องจักรอะไร ต้องแรงงานคนล้วน ใช่มั้ย แต่เดี๋ยวนี้พอเทคโนโลยีดีขึ้นปุ๊บ เครื่องจักรมาช่วย ทำงานแทนแล้ว ไม่ต้องมานั่งแพ็คของเอง ไม่ต้องมานั่ง คัดแยกผลผลิตอะไรเองแล้ว ใช่มั้ยคะ อ่ะ สุดท้ายก็คือ ตัวอย่างนึงนะ สุดท้ายก็คือการที่ productivity efficiency ก็จะเพิ่ม productivity คือเหมือนภาษาไทยมันจะเป็น เหมือนผลิตภาพอ่ะ efficiency ก็คือเหมือนแบบความมี ประสิทธิภาพใช่มั้ยคะ ก็คือพูดง่ายๆ ว่าเหมือน กลายเป็นว่า ทำงานเร็วขึ้น ทำงานเก่งขึ้น มีประสิทธิภาพมากขึ้น ใช้ทรัพยากรอย่างคุ้มค่ามากขึ้น ใช้เวลาอย่างคุ้มค่ามากขึ้น

ตัวอย่างผลกระทบด้านลบของเทคโนโลยี4:06

อารมณ์นี้ นี่ก็คือฝั่งบวกของเทคโนโลยีทั้งสิ้น ฝั่งลบคืออะไร ฝั่งทางลบนะคะ job displacement หรือพูดง่ายๆ ว่า job loss แน่นอน มันสร้างงานใหม่ๆ แต่งานเก่าๆ บางงานอ่ะ

มันย่อมตายไปตามสภาพ เพราะว่ามีเทคโนโลยีมาทดแทนแล้ว อย่างเมื่อก่อนอย่างเงี้ย แรงงานคนอาจจะจำเป็นในโรงงาน ใช่มั้ยป่ะ แต่เดี๋ยวเนี้ยแรงงานคนน่ะ มันจะน้อยลงมาก ในไลน์การผลิต กลายเป็นว่าคนคุมเครื่องจักรก็พอ ในไลน์การผลิตไม่ต้องมีคนเลย อันเนี้ยเป็นหนึ่งตัวอย่าง ของ job loss หรืออย่างบางอย่างเอาง่ายๆ ว่า operator

อย่างเงี้ย เมื่อก่อนอาจจะยังมี operator ต้องมานั่งต่อสาย ใช่มั้ย เดี๋ยวนี้คือไง โทรไปที่ไหนเขาก็ให้เรากดเองแล้ว จนจำเป็นจริงๆ ถึงค่อยติดต่อ operator อีกที เพราะฉะนั้นเนี่ยบางอาชีพมันจะหายไป skill mismatch นะคะ หรือพูดง่ายๆ ว่า จริงๆ อันนี้ มันจะทั้ง skill mismatch หรือว่า education mismatch ก็คือคล้ายๆ กับว่า กลายเป็นว่า เช่นนะ สมมุตินะ ทักษะของเด็กที่จบปริญญาตรี ในยุคแบบสัก 2-3 ปีมาเนี่ย เอา ก่อนที่ AI มา นิดนึงอ่ะ กลายเป็นว่า พอเค้าจบออกมาสู่ตลาดแรงงานปุ๊บ skill ที่เค้ามีอ่ะ มันอาจจะไม่ใช่ skill ที่นายจ้างอยากได้แล้วอ่ะ จริงป่ะ นายจ้างตอนนี้ใครๆ ก็ต้องแบบ ยูต้องใช้ AI เป็น เขียน code เป็น นู่นนี่เต็มไปหมด แต่กลายว่าจบมาตอนนั้น อ้าว เป็น skill ที่ตัวเองไม่มี แล้วตัวเองก็ต้องไปทำงาน ที่ไม่ match กับสิ่งที่นายจ้างอยากได้ จริงมั้ยคะ อันนี้ก็คือเป็นผลลัพธ์ ที่จะเกิดขึ้นเหมือนกัน และสุดท้ายก็คือ inequality ในทางเศรษฐศาสตร์ แล้วก็ในเชิงค่าจ้างด้วย เพราะสมมุตินะ ถ้าเราลองคิดสภาพแบบนี้นะ อันนี้จำลองง่ายๆ เลยว่า แปลว่าคนที่มีทักษะดีเป็นที่ต้องการ แน่นอน เงินเดือนสูง ค่าจ้างแบบ เรียกว่าอะไร ได้ค่าตอบแทนที่ดีใช่ป่ะ แต่คนที่สมมุติเค้า catch up กับเทคโนโลยีไม่ทันอ่ะ เค้าก็จะกลายเป็นกลุ่มที่ ไม่ค่อยมีทางเลือก ถูก lay off กลายเป็นว่า ไอ้กลุ่มคนข้างบน กับกลุ่มคนข้างล่างอ่ะ มันจะห่างกันขึ้นเรื่อยๆ จริงมั้ยคะ ถ้าเกิดว่าสมมุติมันไม่มีนโยบาย อะไรที่มันจะมาช่วยคนกลุ่มข้างล่าง ให้ catch up ทันกลุ่มข้างบน อารมณ์ว่ากลุ่มข้างบนเอาตัวรอดได้แน่ แต่กลุ่มข้างล่างอ่ะ เค้าจะขยับขึ้นไป ใกล้กลุ่มข้างบนได้ยังไง เนาะ อันนี้เป็นตัวอย่างภาพกว้างๆ นี่คือแบบ simple ให้เราลองเห็นก่อนว่า ในเชิงภาพทั่วไป เราเห็นได้แบบนี้

SBTC: เทคโนโลยีใหม่กับความต้องการแรงงานมีฝีมือ6:22

แล้วถ้าเรามาโยงเข้าเศรษฐศาสตร์ มันจะเป็นยังไงบ้าง

คอนเซ็ปต์แรกนะคะ ชื่อว่า skill-biased technological change หรือว่าย่อว่า SBTC นะ สมมติฐานนี้ เขาบอกว่า เวลาที่มีเทคโนโลยีใหม่ๆ

เกิดขึ้น สิ่งที่เกิดขึ้นในตลาด เวลาพูดถึงเศรษฐศาสตร์ จะมีคำว่า demand กับ supply ใช่มั้ย demand จะเป็นความต้องการ ให้คิดง่ายๆ เหมือนเวลาเราต้องการซื้อสินค้า เราคือฝั่ง demand ฝั่ง supply ก็จะเป็นฝั่ง ผู้ผลิต ที่จะเป็นอุปทาน ขายสินค้าอะไรแบบนี้ เพราะฉะนั้นแปลว่าเวลาที่มีเทคโนโลยีใหม่ๆ เกิดขึ้น เขาคาดการณ์ว่าสิ่งที่จะเกิดขึ้นคือ demand for skilled labor จะเพิ่ม ใช่มั้ย เพราะว่าเมื่อมีเทคโนโลยีใหม่เกิด เขาก็ต้องอยากได้คนที่มีสกิลมากพอ ที่จะไปทำงานด้วยการใช้เทคโนโลยีเหล่านั้น ซึ่งคำว่า demand for skilled labor มันรวมทั้ง high skill, medium skill และ low skill นะ แต่คำว่า skilled labor ตอนนี้เรารวมทั้ง high skill และ medium skill พูดง่ายๆ ว่าในเชิงเปรียบเทียบ ใครสกิลดีกว่าเป็นที่ต้องการมากกว่า แล้วสิ่งที่จะเกิดขึ้นก็คือ demand for unskilled labor จะลด ให้คิดถึงสมัยแรกๆ เหมือนที่ น้องปั๊บกับน้องภูมิเล่า ช่วงแรกๆ ที่มีเครื่องทอผ้าหรือเครื่องอะไร แปลว่า demand for unskilled labor มันมีวี่แววมันจะลดจริงมั้ย เพราะมีเครื่องจักรอุตสาหกรรมมาทำแทนได้แล้ว นั่นก็คือสิ่งที่สมมติฐานทางเศรษฐศาสตร์ ในสมัยแรกคาดการณ์ไว้ว่ามันน่าจะเป็นอย่างนี้ แล้วถ้าเวลาบอกว่ามี demand สินค้าชนิดหนึ่งเพิ่มขึ้น หรือในเคสนี้ demand for skill labor เพิ่ม สิ่งที่จะเกิดขึ้นตามมาคืออะไรคะ เขาก็จะจ่ายค่าจ้างคนกลุ่มนั้นเพิ่ม จริงป่ะ higher wage ในที่นี้ก็คือ คนกลุ่มนี้ก็จะได้ค่าจ้างเพิ่ม โดยเปรียบเทียบกับคนกลุ่มที่ unskilled นะ เพราะฉะนั้นอันนี้มันก็จะโยงไป ในมุมมองทางเศรษฐศาสตร์ได้อีก คือยังไง คำว่า demand for skill labor เพิ่ม มันเพิ่มจำนวนป่ะ จริงป่ะ คือเป็นความต้องการคนที่มี skill เหล่านี้เพิ่ม แล้วมันเพิ่มราคาในตลาดด้วย ราคาในที่นี้คือค่าจ้าง อันนี้พูดง่ายๆ ดี ถ้าเด็ก econ ก็จะรู้ demand กับ supply จะเป็นตัวกำหนด ปริมาณกับราคาในตลาด ซึ่งอันนี้แหละ demand เป็นตัวกำหนด ราคาว่าราคาจะเพิ่มแล้วใช่มั้ย แล้วก็ quantity เพิ่ม

แล้วข้างที่บอกว่ามันจะกระทบ supply ยังไง สมมุตินะ เอาเปรียบเทียบตัวเราก็ได้ ตอนนี้เรารู้ว่าเทรนด์ไหน หรือตลาดแรงงานต้องการคนแบบไหน เราก็ย่อมอยากไปเรียนทำอะไรแบบนั้น เพื่อที่เราจะได้กลายเป็นคน skill labor ให้ใครๆ ก็ต้องการเรา จริงป่ะคะ เพราะฉะนั้นในสมัยนั้นน่ะ ให้เราคิดสภาพย้อนไปยุคแรกๆ ที่มีเทคโนโลยีเลยนะ แปลว่าคนน่ะเริ่มต้องการลงทุน ใน education ของตัวเองหรือของลูกมากขึ้น เพราะรู้ว่าการเป็น skill labor จะได้เงินเพิ่ม นึกออกมั้ย อันนี้คือคำอธิบายยุคแรก

คำอธิบาย SBTC ใช้ได้นานแค่ไหน?9:11

สิ่งที่อยากให้ลองคิดนะคะ คิดว่าคำอธิบายนี้มันจะอยู่นานมั้ย

คือหมายถึงว่าสภาพเศรษฐกิจ มันจะกลายเป็นว่าใครๆ ก็ต้องการ skill labor demand for skill labor เพิ่ม skill labor ก็จะเพิ่มขึ้นเรื่อยๆ แหละ แล้ว low skill ก็จะลดไปเรื่อยๆ จนหายไป คิดว่าเป็นเช่นนั้นมั้ย มีคนพยักหน้า มีคนสั่นหัว

คล้ายๆ กับสิ่งที่น้องภูมิ น้องปั๊ปพูด อีกเช่นกันว่าไอ้แบบนี้มันต้องดูกันยาวๆ ใช่ป่ะ

Labor Market Polarization: ความต้องการแรงงานมีฝีมือสูงและต่ำเพิ่มขึ้น9:39

สิ่งที่เกิดขึ้นนะคะ

อันนี้ขอเสริมนิดนึงนะคะ ภาพเมื่อกี้ SBTC hypothesis อ่ะ มันอธิบายเศรษฐกิจ ตลาดแรงงาน ในประเทศอเมริกาได้ ช่วงยุค 1980

แล้วก็อธิบายระบบตลาดแรงงาน หรือว่าระบบเศรษฐกิจ ในประเทศพัฒนาแล้ว ในช่วงยุค 40-50 ปีที่แล้วได้ ทีนี้พอผ่านไปสักทศวรรษนึง สิ่งที่เค้าเจอในตลาดแรงงาน กลายเป็นว่า demand for high skill กับ low skill labor เพิ่ม แต่ demand for medium หรือว่า middle skill labor กลายเป็นว่าคนตรงกลางลด ทฤษฎีนี้ชื่อว่า labor market polarization นะคะ มันเหมือนมันไปปูด 2 ฝั่ง หัวท้าย แต่ตรงกลางหาย แปลว่าอะไร แปลว่า high skill คนอยากได้เพิ่ม อันนี้ไม่ค่อยขัดกับของเดิมเท่าไหร่ แต่สิ่งที่ขัดคือ ทำไมคนต้องการ low skill เพิ่ม แล้ว medium skill หายไปไหน เพราะฉะนั้น ตอนนี้สถานการณ์ มันเริ่มไม่เป็นไปอย่างสมมุติฐานแรกแล้ว มันก็จะมีคำอธิบายมาว่า เหตุอันใดสภาพตลาดแรงงาน

มันกลายเป็นเช่นนี้ และสิ่งที่มาอธิบาย อันนี้เป็นรูปตัวอย่างก่อนนะคะ รูปมันอาจจะไม่ค่อยชัดมาก

แต่ว่าโซนซ้ายสุดจะเป็น high income countries แล้วบาร์กราฟ 3 อัน ซ้ายสุดจะเป็น high skill ตรงกลาง medium skill ขวาสุดจะเป็น low skill อันนี้คือตัวที่โชว์ว่า labor market polarization หรือ job polarization เป็นยังไง ใน high income countries high skill ปูดเพิ่มจริง medium skill ลดฮวบเลย อันนี้เป็น percentage change นะคะ แล้วฝั่งขวาสุดก็คือ low skill เพิ่ม แปลว่าใน high income countries เป็นไปตามนั้น ช่องถัดมาจะเป็น low income countries เป็นไปตามนั้นเหมือนกัน job market polarization นะ แล้วก็ขอไปช่องขวาสุดก่อน ขวาสุดคือ upper middle income countries ก็คือประเทศกลางๆ แต่ว่ารายได้ปานกลาง ค่อนไปทางสูง ไทยอยู่กลุ่มนี้ กลุ่มขวาสุด high กับ low เพิ่ม medium ลด เพราะฉะนั้นมีโซนกลุ่มประเทศนึง ก็คือ lower middle income countries นะคะ ที่กลายเป็นว่า high skill เพิ่ม แต่ว่า medium กับ low ลด

ALM Hypothesis: มองผลกระทบของเทคโนโลยีในมุมมองของ Task11:52

ที่กำลังจะบอกคือ สถานการณ์ หรือสมมุติฐานทางเศรษฐศาสตร์ ไม่ได้ apply ได้ทุก case ทุกกรณีขนาดนั้น มันขึ้นอยู่กับ technology adoption ของแต่ละประเทศด้วย

ความเร็วในการเปลี่ยนแปลง ของประชากรในแต่ละประเทศนั้นๆ ด้วย เพียงแต่ว่าทฤษฎีทางเศรษฐศาสตร์ หรือสมมุติฐานน่ะ มันต้องการอธิบาย ภาพรวม หรือสิ่งที่เกิดขึ้นในภาพรวมก่อน ด้วยสมมุติฐานบางประการ เนาะ อันนี้เราเอาตรงนี้ก่อน เสร็จแล้วสิ่งที่มาช่วยอธิบาย job market polarization คืออะไร มันชื่อ Autor Levy Murnane hypothesis นะคะ ALM

คล้ายๆ กับสิ่งที่น้องภูมิ น้องปั๊บพูดอีกเช่นเคยว่า มันไม่ใช่จ๊อบอีกต่อไปแล้ว เมื่อกี้เรา ดูแค่ว่าเค้าเป็น skilled กับ unskilled ใช่ป่ะ คือเราโฟกัส แล้วเวลาจะพูดว่า skilled กับ unskilled เค้ามักโฟกัสที่การศึกษาของคน เวลาพูด skilled ก็คือคนการศึกษาสูง unskilled ก็คือคนการศึกษาน้อย ในขณะที่ตอนนี้ hypothesis ใหม่บอกว่า เธอจะดูแค่ตัวจ๊อบทั้งจ๊อบ skill ของคน เหมาแบบนั้นได้ไง เธอต้องแยกเป็น task สิ แล้วสิ่งที่เค้าแยกเป็น task นะคะ เค้าแยกใน 2 มิติ มิติแรกคือเค้าแยกไปว่าเป็น routine กับ non-routine แล้วใน routine กับ non-routine แยกออกเป็น 2 อีก

ก็คือเป็น routine cognitive หรือว่า routine manual แล้วก็ non-routine ก็แยกเป็น 2 ก็คือ non-routine cognitive กับ non-routine manual ทีนี้จะขอ note ไว้นิดนึงว่าในสมมติฐานนี้

Routine vs. Non-routine Tasks: อะไรคือตัวแปรสำคัญ?13:14

คำว่า routine น่ะ มันไม่ใช่ routine แบบแรงงานเข้าใจนะ

ขอย้ำว่าในสมมติฐานของทฤษฎีนี้ เค้าจะบอกว่า routine ในที่นี้ ให้คิดว่า อารมณ์ว่า สั่งคอม หรือสร้าง system ให้มาทำแทน

ได้ง่ายรึเปล่า นึกออกป่ะ ไม่ใช่ว่าเป็นงานที่ เหมือนที่เราพูดกันว่า ฉันไม่ชอบทำงาน routine ที่ทำอะไรเหมือนเดิมทุกวัน อันนี้ไม่ใช่ นั่นคือในมุมมองแรงงาน แต่ถ้าในมุมมองของทฤษฎีนี้ เค้าจะบอกว่า มันเป็นงานที่สั่งคอม หรือสร้าง system มาทำแทนคนได้ง่ายมั้ย ถ้าให้ลองยกตัวอย่างอาชีพนะคะ ถ้าบอกว่าเป็นอาชีพที่เป็น routine manual คิดภาพเลย แปลว่าเป็นแรงงานในโรงงานอุตสาหกรรม ถ้าใครเคยดูคลิปเสือร้องไห้เปิดโรงงาน เราจะเห็นว่า ที่เค้าพูดว่า เหมือนถ้าโรงงานใหญ่ๆ คนในไลน์การผลิตจะน้อยมาก อันนั้นคือ routine manual ถูกแทนที่ด้วยเครื่องจักรไปแล้ว เพราะว่าเป็นคนทำงานซ้ำๆ เช่นอะไร อาจจะแค่หยิบของอันนี้ลงกล่อง ซึ่งสามารถสร้างเครื่องจักร มานั่งนับและหนีบแทนได้ โดยง่าย ไม่มีอะไรซับซ้อน ประมาณนี้ routine manual. routine cognitive คืออะไร? เป็น routine เหมือนกัน แต่ต้องมีการ process information บางอย่าง เช่น

อาชีพมันจะคือชื่อแบบ bank teller อ่ะ bank teller ในที่นี้คือเหมือนเวลาเราไปแบงค์สาขา แล้วเราไปเจอพี่พนักงานหน้าเคาน์เตอร์อ่ะ แล้วเราไปเบิกถอนเงินกับเค้าอ่ะ เมื่อก่อนให้จินตนาการว่าเมื่อก่อนที่ยังไม่มี ATM แปลว่าอะไร ทุกคนเบิกถอนเงินต้องไปแบงค์ เพื่อไปคอนแทคกับพนักงานหน้าสาขา จริงป่ะคะ นั่นน่ะคือตัวอย่างของอาชีพที่เป็น routine cognitive คือต้องใช้การ process information บางอย่าง แต่สามารถสร้างระบบหรือสร้าง system มาทำแทนได้มั้ย ได้ เครื่อง ATM ไง ATM สามารถช่วยให้คนกดเบิกถอนเงินได้

set system ได้ จริงป่ะ เพราะฉะนั้นนี่เป็นตัวอย่าง 2 อาชีพแล้วนะ แล้วถ้าตัวอย่างของอาชีพที่เป็น non-routine cognitive คืออะไร ถ้า non-routine cognitive อันนี้ก็จะ ถ้าให้ชัดๆ ก็จะเป็นอาชีพที่เป็นวิชาชีพทั้งหลาย วิศวกร หมอ ทนาย คือต้องใช้ทั้ง process information แล้วก็งานไม่ได้สามารถสร้าง system มาทำแทนได้ นะคะ แล้วก็ถ้าเป็น non-routine manual คืออะไร อันนี้ให้คิดถึงงานประเภท service ทั้งหลาย service ทั้งหลายเช่นอะไร ช่างประปา ช่างไฟ ไม่สามารถสร้าง system มาซ่อมอะไรแทนได้เลยนะ ยังไงก็ต้องพึ่งคน แล้วมันมักจะเป็นงาน service ที่มัน เรียกว่าอะไร ต้องใช้มืออ่ะ คือแบบต้อง เออ ในศัพท์มันคือ มันต้องใช้แบบการ interact แล้วก็การแบบโฟกัสแบบใช้ skill ระดับหนึ่งอารมณ์นี้ เนาะ

เพราะฉะนั้นแปลว่าไอ้งานประเภทงานช่าง หรืองานดูแลผู้สูงอายุเองก็ตาม ก็อยู่ใน non-routine manual นะคะ

เทคโนโลยีทดแทนหรือส่งเสริมงานแบบไหน?16:10

เพราะฉะนั้นหลังพอเรารู้แล้วว่าเค้าแยก task ออกมาแบบนี้ สิ่งที่เกิดขึ้นต่อไป ขอให้เราลองดูแบบนี้นะว่า พูดง่ายๆ ว่าเราจะแยกคนได้เป็น 4 กลุ่ม ใช่ป่ะ เราก็จะแยกคนได้เป็น routine cognitive, routine manual, non-routine cognitive, non-routine manual แล้วเวลาศัพท์ทางเศรษฐศาสตร์นะครับ มันจะมีคำว่าทดแทนกัน หรือว่าใช้ร่วมกัน ทดแทนกันคือ substitute ใช้ร่วมกันคือ complement

ทฤษฎีเนี้ย อธิบายไว้ว่า อะไรที่เป็น routine ไม่ว่าจะ cognitive หรือ manual จะโดน substitute ด้วยเทคโนโลยี ก็คือ ถูก replace คนจะถูก replace ด้วยเทคโนโลยี แล้วถ้าเราลองฟังตัวอย่างจากที่เล่าเมื่อกี้ คืออะไร? bank teller ถูกแทนที่ด้วย ATM ไปเรียบร้อย พนักงานในไลน์การผลิตถูกแทนที่ด้วยเครื่องจักรไปแล้วเรียบร้อย และอาชีพที่เทคโนโลยีจะช่วย complement คืออะไร? ก็คือ อาชีพที่เป็น non-routine cognitive ทั้งหลาย ก็คือ พวกอาชีพที่เป็นวิชาชีพ ให้คิดสภาพว่า หมอ วิศวะ หรือใดๆ คอมพิวเตอร์ช่วยให้เค้าทำงานดีขึ้น ทำงานเก่งขึ้น ลดเวลาได้ แล้วก็ อาชีพที่ non-routine manual เทคโนโลยีอันเนี้ย เค้าไม่ฟันธงด้วยซ้ำ

คือเค้าก็รู้สึกว่าเทคโนโลยีช่วย complement นะ แต่ complement ได้อย่างจำกัด เพราะอย่าลืมว่า มันเป็นอาชีพที่ต้องอาศัยคนแบบเป็นเนื้อเป็นหนัง ไปแบบเป็นช่างซ่อม นึกออกป่ะ ช่างซ่อมอาจจะมีอุปกรณ์ที่เก่งขึ้นแหละ แต่ก็ต้องตัวเค้าเองไปซ่อมให้ที่บ้านอยู่ดี ตัวเค้าเองไปดูแลผู้สูงอายุอยู่ดี เพราะฉะนั้นสิ่งนี้นะคะ เค้าก็เลยเรียกทฤษฎีเนี้ย ALM ก็อาจจะเรียกอีกอย่างนึงว่า routine-biased technological change ก็คือ พูดง่ายๆ ว่าเทคโนโลยีจะมาแทน task ที่เป็น routine ทั้งหลาย

และทีนี้ถ้าเราลองมอง 4 ช่องนี้ต่อ

สิ่งที่เกิดขึ้น ถ้าให้เราลองเปรียบเทียบนะคะ งานที่เป็น routine manual ที่โดนแทนที่ไป มันเป็นงานของ low-skill labor จริงป่ะ ก็คืองานโรงงาน routine cognitive ที่โดนแทนที่ไป มันจะเป็นงานอารมณ์ medium skill นิดนึง จริงมั้ย งานพนักงานธนาคารทั้งหลาย operator ทั้งหลาย แล้ว non-routine cognitive วิชาชีพทั้งหลายคือ high-skill labor ใช่ป่ะ ที่ยังอยู่รอด แล้ว non-routine manual ที่เป็นช่างทั้งหลาย โดยเปรียบเทียบ ก็คือ low-skill labor ระดับนึง เพราะฉะนั้นแปลว่าอะไร ถ้าเราลองมอง 4 ช่องนี้นะ แล้วเรามานั่งคิดว่า demand อันไหนเพิ่มอันไหนลด กลายเป็นว่า ช่อง medium skill มันลดอย่างเดียวเลย ในขณะที่ low-skill ตอนแรกที่เค้าอยู่ในโรงงาน เค้าลดก็จริงนะ แต่ว่าเค้ายังพอไป switch อาชีพ ย้ายไปทำอาชีพอื่นได้ จริงป่ะ แต่คน medium skill จะขึ้นไป high-skill ก็ยาก

ดีไม่ดี medium skill ต้องตกลงมาแย่งงานกับ low-skill ด้วยซ้ำ เพราะฉะนั้นทฤษฎี hypothesis เนี้ย มันเลยเป็นตัวหนึ่งที่อธิบายว่า job market polarization ที่เกิดขึ้น มันเพราะเหตุนี้ เพราะว่าเทคโนโลยีมาแทนที่งาน routine เพราะฉะนั้นมันเลยเหลือแค่ 2 ฝั่ง ก็คือ ไม่ peak ไปเลย ต้อง high-skill สุดๆ แล้วใช้เทคโนโลยีเป็นแค่ complement หรือไม่งั้นเธอต้องไปทำงาน low-skill ไปเลย ที่เธอต้องใช้ตัวเธอไปจัดการงาน เธอถึงจะยังอยู่รอด

ผลกระทบของ AI ต่อตลาดแรงงาน: ChatGPT Case Study19:18

และที่กำลังจะพูดต่อมานะคะ ก็คือ

ประเด็นก็คือ ตอนนี้เทคโนโลยีมันก้าวข้ามผ่าน

เรื่องเครื่องจักรไปเยอะแล้ว มันเป็น AI ความฉลาดมันจะเท่ามนุษย์อยู่แล้ว เพราะฉะนั้นเราต้องมาลองดูว่า ถ้าเทคโนโลยีมันเปลี่ยนอีก หมายถึง type ของเทคโนโลยีมันเปลี่ยนอีก สิ่งที่มันจะสร้างผลกระทบจะเกิดอะไรขึ้น อันนี้เป็นตัวอย่าง paper นึงนะคะ ชื่อว่า Economics of ChatGPT เพิ่งตีพิมพ์ปีนี้ 2024 อันนี้จะมาเล่าว่าเค้าใช้ ChatGPT เค้าใช้วิธี text mining ในการวิเคราะห์ข้อมูล

โดยที่เค้าใช้ International Standard Classification of Occupation พูดง่ายๆ ในโลกของเรา จะมี ILO International Labour Organization องค์กรที่ดูเรื่องแรงงานกลางของโลก เค้าก็จะ set standard เหมือนเป็นคัมภีร์คู่มือ ว่าอาชีพในโลกแบ่งออกได้เป็น 10 ประเภทใหญ่ แล้ว 10 ประเภทใหญ่แยกย่อยลงไป เป็นประเภทย่อยอะไรได้บ้าง อาชีพย่อยอะไรได้บ้าง ประมาณนี้ เพราะฉะนั้น paper นี้ เค้าก็เลยจะมาวิเคราะห์ว่า อาชีพเหล่านั้น อาชีพโซนไหนบ้าง กลุ่มไหนบ้าง ที่จะถูกกระทบด้วย ChatGPT อันนี้คือตัวอย่างนะคะ ว่าใน ISCO ที่ International Labour Organization เค้า classify มา มันจะมีกลุ่ม 10 กลุ่มอาชีพหลัก

แล้วเค้าก็จะแบ่งเลยว่า ใน 10 กลุ่มอาชีพหลัก มันแบ่งย่อย major ลงไปอะไรได้บ้าง แบ่ง skill level อะไรได้บ้าง ถ้าเราลองดู 3 อันบนนะคะ set แรกก็จะเป็น manager ก็คือพวก skill กับผู้บริหารทั้งหลาย professional ก็คือพวกวิชาชีพ อันที่ 3 ถัดมาจะเป็น technician หรือว่าใครก็ตามที่ช่วยกลุ่ม 2 อารมณ์นี้ แล้วถ้าเรามาดูช่องขวาสุด เราจะเห็นว่า skill level ที่เค้า require สำหรับคนกลุ่ม 3 กลุ่มแรก คือ skill 3 กับ 4 skill 3 กับ 4 คือสูงโดยเปรียบเทียบ คือต้อง high education ระดับนึง แล้วกลุ่มอื่นๆ ก็จะถัดมาใช่มั้ย clerk ก็แบบงานเสมียน งาน sale งาน service

เอ่อ เกษตรกรรม งานคราฟ อะไรระดับนึง plant, elementary ในที่นี้คือ เป็นงานพวกแบบ งานทำความสะอาด อะไรอย่างเงี้ยนะคะ งานแบบ basic นิดนึง อันสุดท้าย armed force ก็คือพวกทหารใดๆ

แล้วเสร็จอ่ะ ในคัมภีร์คู่มือเนี้ย มันจะระบุ อย่างที่บอก ระบุย่อยเลยนะ บอก definition แล้วจะบอกด้วยว่า task ของแต่ละอาชีพ แต่ละกลุ่มย่อยอ่ะ ต้องทำอะไรบ้าง เป็นคัมภีร์กลางที่มันสามารถ เปรียบเทียบข้อมูลอาชีพของแต่ละประเทศได้

ChatGPT จะส่งผลกระทบต่ออาชีพใดบ้าง?21:56

แล้วสิ่งที่เกิดขึ้นนะคะ อย่างที่บอกว่า paper เนี้ย เค้าใช้ text mining ในการ มานั่งอ่าน task ของแต่ละอาชีพอ่ะ แล้วเค้าเอามาวิเคราะห์ว่า คำที่เจออ่ะ ของแต่ละ task อ่ะ เอ้ย ของแต่ละอาชีพอ่ะ คำที่เจออ่ะ มันคืออะไรบ้าง คำที่เจอใน task เยอะๆ เนี่ย operating, monitoring, preparing เนี่ย แล้วก็ไล่มา ยิ่งตัวอักษรใหญ่ ก็คือสิ่งที่เจอเยอะๆ ใช่ป่ะ แล้วเสร็จ พอเค้าเจอแบบนี้ปุ๊บ สิ่งที่เค้าทำต่อนะ paper เนี้ย เค้าอ่ะ ก็ดูว่า task เหล่าเนี้ย task ไหนบ้างที่ ChatGPT ทำแทนได้ นึกออกป่ะ แล้วเค้าอ่ะ ก็มานั่งแยกว่า เช่นนะ เค้าว่า 1 task เช่น 1 จ๊อบอ่ะ สมมุติเป็นอาจารย์อย่างเงี้ย มันก็มี task ย่อยๆ เต็มไปหมด มันอาจจะมีคำเหล่านี้แฝงอยู่หมด ต้อง monitor นักศึกษา จริงมั้ย ต้อง prepare การสอนนู่นนี่ มันก็จะมี task ย่อยๆ เต็มไปหมด เค้าก็มาดูต่อว่าเช่น ถ้าสมมุติว่า

อย่างน้อย 1 อาชีพเนี้ย ถ้าเกิดว่ามี 7 task ขึ้นไป ที่ ChatGPT ทำแทนได้ เธอคืออาชีพที่ถูก full impact

ก็คือโดน ChatGPT impact เต็มๆ แต่ถ้ามีแค่ 3-7 task ที่ ChatGPT ทำแทนได้ เธอจะเป็น partial impact

แล้วถ้าอาชีพไหน ที่มี task ต่ำกว่า 3 task ที่ ChatGPT ทำแทนได้ เธอจะเป็นเหมือนแบบ no impact และนี่คือสิ่งที่ ลองคิดไว้ก็ได้นะ ว่าคิดว่ากลุ่มอาชีพไหนจะโดนเยอะ นะคะ

และนี่ก็คือสิ่งที่เจอ กราฟข้างซ้ายก่อนเนาะ สีแดง ไอ้ bar chart นะ ตรงสีแดงอ่ะ คือสัดส่วนของอาชีพที่แบบโดน full impact อ่ะ สีน้ำเงินก็คือสัดส่วนการที่โดน partial impact สีเขียวคือ no impact สิ่งที่อยากให้ดูนะคะ 3 บาร์กราฟแรกอ่ะ เป็นอาชีพสกิลสูงทั้งสิ้น ที่โดน impact เยอะ ก็คือโดนสีแดงเยอะๆ เช่นอะไร professional, technician, professional ใช่มั้ย แล้วก็ manager แปลว่าอะไร แปลว่า 3 กลุ่มอาชีพหลักเนี้ย ก็คือเป็นกลุ่มที่ ChatGPT น่าจะมี full impact เยอะ อ๋อ แล้วอันเนี้ย ถ้าใครสนใจอ่ะ สามารถเข้าเว็บ ILO แล้ว search อาชีพตัวเองได้นะ ว่าตัวเองอยู่ในอาชีพไหน เพราะสมมุติอย่างของตัวเองเงี้ย ก็คือตกอยู่ใน professional เพราะว่าถือว่าเป็นอาจารย์ในมหาวิทยาลัยใช่มั้ย ก็คือโดนเต็มๆ ว่า ChatGPT ทำแทนเราได้หลายอย่างมากแล้ว

แล้วก็อันถัดๆ มาเนี่ย อยากให้ลองดูว่า จริงๆ น้อยมากที่จะเหลือ ที่แบบ เค้าเรียกว่าอะไรอ่ะ ChatGPT จะยังไม่ค่อยแทนที่ น่าสนใจก็คือ armed forces แน่นอนทหาร ChatGPT แทนไม่ได้ อาชีพใหม่ที่อาจจะมีใครสนใจ ซึ่งคงน้อย แล้วก็ elementary occupation อย่างที่บอก งานทำความสะอาด หรืองานอะไรเงี้ย มันยังไม่ได้อ่ะ นึกออกป่ะ มันเป็นแรงงานคน แต่ถ้าถามในภาพรวมทั้งหมดนะคะ มันจะเป็น pie chart ข้างขวาตรงนี้ พูดง่ายๆ ว่ากลายเป็นว่าถ้าแบ่ง 100% ตีว่ามันคือ 1 ใน 3 อ่ะ 1 ใน 3 โดน full impact 1 ใน 3 partial impact แล้วก็อีก 1 ใน 3 no impact แต่นี่คือแค่แบบเป็นการคาดการณ์นะ แล้วก็นี่มันแบบเพิ่งตีพิมพ์อ่ะ อย่างที่บอกมันต้องดูกันต่อไปยาวๆ แต่แปลว่าแค่ ณ ขณะว่า ดู job definition ดู job description น่ะ ยังโดนแบบนี้เลยอ่ะ

อ้าว เหลือ 5 นาทีแล้ว โอเค

Automation vs. Augmentation: AI จะกระทบแรงงานกลุ่มใด?25:22

เพราะฉะนั้นนะคะ สิ่งที่เล่ามาข้างต้นเนี้ย เลยเป็นสิ่งที่ชวนคิด ชวนคิดในที่นี้คือให้สังเกตว่า type ของเทคโนโลยีมีผลในแง่ไหน เมื่อก่อนน่ะ ใน labor econ นะ เศรษฐศาสตร์แรงงาน เค้าจะแยกเทคโนโลยี เป็นแค่ automation กับ augmentation automation คือให้คิดสภาพว่า automation คือเหมือนหุ่นยนต์อ่ะ คือมาทำแทนได้แบบ 100% คือ substitute เพราะฉะนั้นแปลว่าอะไรที่เป็นเทคโนโลยี ที่เป็น automation เครื่องจักร เครื่องทำแทนคนน่ะ มันจะกระทบ low skill เป็นหลัก จริงป่ะ เพราะมันจะมาแทนคน augmentation คืออะไร augmentation คือเทคโนโลยีใดๆ ก็ตาม

ที่มาช่วยเสริมแรง หรือทำให้คนทำงานเก่งขึ้น ไอ้เทคโนโลยีประเภทเนี้ยแหละ ที่มันจะกระทบ high skill จริงมั้ย คือกระทบในที่นี้ ไม่ได้บอกว่ามัน จะดีหรือร้ายเสมอไปนะคะ ถ้าคน catch up กับมันทันก็อาจจะดี แต่ถ้าคน catch up กับมันไม่ทัน สมมุติในเคสเมื่อกี้ ChatGPT กระทบตู้ม ถ้า catch up กับมันไม่ทัน หรือว่าไม่ได้สร้าง skill ใหม่ที่เก่งกว่ามัน หรือคุมมันได้ ก็อาจจะไม่รอด นึกออกมั้ยคะ แล้วยิ่งอันนี้แยกเป็นแค่ 2 ประเภทนะ แล้ว AI มันน่าจะเป็นเทคโนโลยีใหม่ ที่เปลี่ยนมุมไปอีกด้วยซ้ำ

แต่ว่ามันก็มีการคาดการณ์เช่นกันว่า AI มันจะกระทบ high skill labor โดยเปรียบเทียบ เพราะว่า AI มันเก่ง มันฉลาดใช่ป่ะ พูดง่ายๆ ว่าเมื่อก่อนเงี้ย คนเขียน coding ไม่เป็นน่ะ อาจจะเสียเปรียบอยู่หน่อยๆ

แต่ถ้าสมัยนี้เขียน prompt เก่ง ให้ AI ช่วยได้ กลายเป็นว่าคนที่เคย low skill หรือ medium skill อาจจะ catch up คน high skill ทันก็ได้ เพราะไม่จำเป็นว่าต้องเรียน coding ด้วยตนเองตั้งแต่ศูนย์อีกต่อไป มีตัวช่วยคือ AI แล้ว แบบนี้นะคะ

อันนี้ก็คือตัวอย่าง เพราะฉะนั้นอันนี้มันจะเป็นเชิงทฤษฎี หรือภาพงานวิจัยนิดนึง

สถานการณ์ตลาดแรงงานไทย: น่ากังวลอย่างไร?27:16

ถัดมานะ จะมาเล่าให้ฟังว่า ตลาดแรงงานไทยน่ากลัว หรือว่าเป็นที่กังวลยังไงบ้าง อันนี้ต้องขอเคลมไว้ก่อนว่า ขอขอบคุณบทความจาก สถาบันวิจัยเศรษฐกิจป๋วย อึ๊งภากรณ์นะคะ เพราะว่าเค้าได้วิเคราะห์ตลาดแรงงานเอาไว้ แล้ววันนี้ก็เลยเอามาเล่าให้ฟังต่อ อันดับแรก ระดับการศึกษาของแรงงานไทย ดีขึ้นอย่างต่อเนื่อง อันนี้เราน่าจะคาดการณ์ได้ เพราะว่าปฏิรูปการศึกษามา นโยบายเรียนฟรี 15 ปีใดๆ นะ

แล้วก็ STEM ก็คือผู้ที่สำเร็จการศึกษา พวกวิทยาศาสตร์ เทคโนโลยี วิศวกรรม คณิตศาสตร์ ที่เป็นเหมือนสายวิทยาศาสตร์กำลังหลัก ก็คือสัดส่วนสูงขึ้น 20% ของผู้จบปริญญาตรีทั้งหมดในปี 2022 คิดเป็น 3.7% ของกำลังแรงงาน

แรงงานไทยจบสาขาใดมากที่สุด?28:00

แต่อันนี้จะเล่าให้ฟังว่า รู้ไหมว่า จริงๆ แล้วแรงงานไทยจบสาขาไหนเยอะสุด ไม่ใช่ STEM อยู่แล้ว STEM แค่ 20% มีอีกสาขานึงคือ 36%

อะไรนะ บริหารธุรกิจ เอ่อ บริหารธุรกิจอ่ะ คือ 36% แล้วสายวิทย์ๆ อย่างเงี้ย คือแค่ 20% ซึ่งถ้าให้เปรียบเทียบกับประเทศ ไม่อยากใช้คำนี้เท่าไหร่ แต่ว่าด้วยความเคยชินก็จะบอกว่า ประเทศเจริญแล้ว ประเทศ income สูงอ่ะ สัดส่วน STEM จะจบเยอะนะ อ่ะ แล้วอันนี้โชว์กราฟสั้นๆ นะคะ อันเนี้ย อย่างที่เห็นว่า สีเขียว สีเขียวบนสุดอ่ะ คือคนที่จบปริญญาตรีขึ้นไปนะ ถ้า 1985 ก็คือสมัยแบบ 40 ปีที่แล้วใช่ป่ะ สัดส่วนน้อยมาก ปัจจุบันน่ะ ก็คือมัน อย่างที่บอก ดีขึ้นเยอะ แต่ว่าจริงๆ ก็ยัง surprise นิดนึงนะ ว่าคนจบ- บาร์ชาร์ตที่อยู่ล่างๆ

ก็คือสีม่วงเข้ม ม่วงชมพูอ่ะค่ะ primary ก็คือประถม หรือว่าต่ำกว่า ก็ยังเป็นสัดส่วนที่เยอะที่สุดอยู่ นะ อันนี้คือสถานการณ์กำลังแรงงานของไทยนะคะ

ระดับการศึกษา vs. ค่าจ้างเฉลี่ยในประเทศไทย29:07

แล้วถ้าเรามาดูต่อว่า ข้างซ้าย ระดับการศึกษาเมื่อเทียบกับค่าจ้างเฉลี่ย

ของไทยอ่ะ เห็นชัดมากว่า การศึกษาสูง รายได้สูง ไอ้เส้นบนสุดของฝั่งซ้าย ก็คือคนที่จบอย่างน้อยปริญญาตรี แล้วถัดมา ก็คือไล่ระดับปริญญาลงมาเลย some college ก็คือพวกอนุปริญญาเนาะ แล้วก็ถัดมา ก็คือ มอปลาย มอต้น ประถม เราจะเห็นว่ากราฟมันจะพีคๆ ช่วงก่อนปี 2000 ไอ้ช่วงนั้นน่ะ การลงทุนอุตสาหกรรมมัน เศรษฐกิจมันดี มันบูมมาก ค่าจ้างมันแปรไปตามนั้นเลย แต่เราจะเห็นว่าหลังจากนั้นน่ะ ปริญญาตรีอ่ะ ต่อให้เราเห็นว่า แรงงานไทยอ่ะ การศึกษาดีขึ้นแล้วอ่ะ แต่ค่าจ้างอ่ะ หลังๆ อ่ะ ไม่ได้สะท้อนเลยว่า ค่าจ้างเราดีขึ้น แล้วถ้าเราโยงกลับไป ไอ้ทฤษฎีที่อธิบายตอนต้นน่ะ demand มันควรจะเพิ่ม ค่าจ้างคนเหล่านี้ควรจะเพิ่มดิ แต่ว่าไม่เป็นเช่นนั้นนะคะ ของไทยเป็นงี้นะ แล้วฝั่งขวา คือเปรียบเทียบว่า สาขาวิชา STEM กับ non-STEM เป็นไง ก็พูดง่ายๆ ว่า STEM อ่ะ ค่าจ้างจะสูงกว่า non-STEM นะ

แล้วทีนี้ ถ้าอยากรู้ว่าภาพฝั่งซ้าย อารมณ์ว่าซูมอินเข้าไป นี่คือสิ่งที่ซูมอินเข้ามานะ average wage by education เส้นบนสุด ปริญญาเอก

เส้นถัดมา คือ ปริญญาโท และไอ้เส้นสีน้ำตาลที่ค่อนข้าง flat นั้นน่ะ ก็คือปริญญาตรี อย่างที่บอกของไทยเห็นชัดมาก แล้วไอ้ข้างล่างทั้งหมด ก็พูดง่ายๆ ว่าต่ำกว่าปริญญาตรีอ่ะ เกาะกันอยู่แค่นั้นน่ะ แล้วไอ้เส้นที่เป็นจุดๆๆๆ อ่ะ คือ total คือ average ของทั้งตลาดแรงงานนะคะ อย่างที่บอก ดูว่า คือปริญญาตรีไปโทเนี่ย gap ค่อนข้างเห็นชัดนะ แต่โทไปเอกเนี่ย gap แบบ fluctuate สุดๆ อ่ะ แล้วแต่ว่า อ่ะ หมดเวลา จะเร่งละค่ะ อ่ะ แล้วก็ขออีกนิดนะคะ ถ้าเรา zoom in ไอ้กลุ่มที่ต่ำกว่าปริญญาตรีนะ zoom in มาภาพถัดมา เพื่อขยายภาพดูนะคะ ของไทยเราจะเห็นเลยว่า ไอ้เส้น ไอ้จุดๆ อย่างที่บอกคือ total ใช่มั้ย แล้วไอ้บนสุดที่อยู่เหนือ total อ่ะ คือคนที่เป็น diploma ก็คืออนุปริญญาทั้งหลาย แปลว่า average ของไทยนะ ค่าจ้างคนไทยอ่ะ คือต่ำกว่าอนุปริญญานิดนึงอ่ะ ถ้าภาพรวมทั้งประเทศนะ แล้วที่เหลือ ก็คือไล่สเกลต่ำลงมาเลย แล้วไอ้ 2 เส้นสุดท้าย เราจะเห็นว่ามันแทบจะทับกันแล้วอ่ะ no education กับ ต่ำกว่าประถมอ่ะ

แปลว่าอะไร ยุคเนี้ย ถ้าต่ำกว่าประถม ก็คือประดุจ เหมือนไม่มีการศึกษาแล้วอ่ะ หมายถึงว่าในเชิงค่าจ้างนะคะ เออ

ค่าจ้างเฉลี่ยแยกตามระดับ Skill: ป.ตรี vs. อนุปริญญา31:38

ทีนี้ ถ้าเรามาอันเมื่อกี้อ่ะ เราแยกคนตามระดับการศึกษาอยู่ แล้วตอนเนี้ย ถ้าเรามาลองแยกตาม skill เวลาเค้าแบ่งตาม skill อ่ะ ส่วนใหญ่เค้าก็จะดู base on การศึกษาด้วยส่วนนึง แล้วก็อันนี้นะคะ คือตัวอย่างอาชีพว่า high skill ก็คือพวกอาชีพวิชาชีพอย่างที่บอก middle skill ก็คือพนักงานขาย เลขา พนักงานบริการต่างๆ low skill ก็จะเป็นพวกงานช่าง หรือว่าแรงงาน แล้วถ้าเรามาลองดูรายได้ของคนกลุ่มเนี้ย แยกเป็น skill แล้วนะ ไม่ได้แยกตามการศึกษา ฝั่งซ้ายจะเป็นคนที่จบปริญญาตรีนะคะ

ฝั่งขวาจะเป็นคนที่จบอนุปริญญานะคะ จะเห็นว่าฝั่งซ้ายอ่ะ กราฟมีแค่ 2 เส้น แปลว่าอะไร คนจบปริญญาตรีอ่ะ ไม่ทำงาน low skill เอ้ย ขอโทษ ไม่ทำงาน high skill อ่ะ ก็ medium skill จริงป่ะ ถ้าจบตรีใครๆ ก็อยากทำ high skill ทั้งนั้นแหละ แต่สิ่งที่เกิดขึ้นคืออะไร ที่กำลังจะบอกนะคะ แปลว่าถ้าเรามาดู กราฟแยกย่อย 2 อันแบบเนี้ย แปลว่าจริงๆ งาน high skill งานที่ high skill และอยากได้คนจบ ป.ตรี

ก็ยังมีอยู่บ้าง เพราะค่าจ้างเทรนด์มันขึ้นใช่ป่ะ แต่แปลว่าจำนวน position ของงาน high skill อ่ะ

ที่รองรับคนจบปริญญาตรีอ่ะ มันเยอะไม่พอไง พอมันเยอะไม่พอ มันก็ดันคน high skill อ่ะ ลงไปทำงาน medium skill ซะ นึกออกมั้ย นั่นก็คือฝั่งขวา และ gap ของช่องว่าง medium skill กับ high skill อ่ะ มันเลยสูง และสิ่งที่เกิดขึ้นกับกราฟฝั่งขวา กลายเป็นได้รับผลกระทบไปด้วย ฝั่งขวาคืออนุปริญญา อนุปริญญามีกราฟ 3 เส้น ก็คือมีคนที่ทั้งทำงาน high medium แล้วก็ low skill high skill แน่นอนค่าจ้างสูง แล้วเราก็จะเห็นว่าไอ้ medium กับ low skill อ่ะ เมื่อก่อนมันยังพอมี gap แต่หลังๆ อ่ะ

เส้น 2 เส้นมันทับกัน แปลว่าอะไร ด้วยความที่คนจบตรีอ่ะ มาแย่งงาน medium skill ไปแล้ว คนที่จบอนุปริญญา ที่ฉันเคยทำ medium skill

แล้วได้เงินดีระดับนึง ฉันไม่มีทางเลือกแล้วอ่ะ ฉันก็ทำ ไม่ทำ medium ก็ low แล้วก็ค่าจ้างไม่ต่าง เพราะว่าโดนแย่งงานจากคนจบ ป.ตรี แบบนี้ นี่คือสิ่งที่เกิดขึ้น

แล้วก็อันนี้นะคะ อันนี้เป็นกราฟภาพรวม พูดง่ายๆ ว่าให้ดูว่าแต่ละระดับการศึกษา คนทำงาน high medium low skill ยังไงบ้าง แต่ว่าอยากให้ลองดูกราฟล่างสุดเลยนะ เซตของอันล่างสุด มันจะเป็นเหมือนการ เปลี่ยนแปลงในทุกๆ 10 ปีนะคะ ให้ดูช่องขวาสุดที่มันเป็นสีเขียวอ่ะ สีเขียวในที่นี้คือสัดส่วนงาน high skill ในตลาดแรงงานประเทศไทย สิ่งที่เกิดขึ้นเราจะเห็นว่ากราฟสีเขียว มันโตขึ้นน้อยมาก แปลว่าสัดส่วนงาน high skill ในตลาดแรงงานของไทย

มันโตขึ้นน้อยไง เพราะฉะนั้นน่ะ คนจบตรีจะไปทำงานที่ไหน ในขณะที่โซนกราฟสีน้ำเงินคือโซนถัดมา คือ medium skill ซึ่งเพิ่มขึ้น ใช่ป่ะ แล้ว low skill อ่ะ ลดลง อันนี้ ถ้าให้ชี้ให้ดูนะคะ แปลว่าของไทย ถ้าโยงกลับไปทฤษฎีที่เล่าตอนต้นน่ะ ไทยไม่ใช่ job market polarization เท่าไหร่ ไทยยังอยู่แบบ SBTC อยู่เลย คืองานที่เป็น high กับ medium skill ยังโตขึ้นอยู่ แล้ว low skill อ่ะ กำลังลด แล้วก็อันนี้ ถ้าดูกราฟเซตที่ 4 นะคะ

เซตที่ 4 คือคนจบปริญญาตรี จะเห็นว่าคนจบปริญญาตรีทำงาน high skill ลดลงเรื่อยๆ แล้วไปทำงาน medium skill เพิ่มขึ้น ก็อันนี้ก็จะเหมือนสิ่งที่บอกไป ก่อนหน้านี้ว่า จบตรีลงมาแย่งงาน คนต่ำกว่า ป.ตรี ไปแล้วเรียบร้อย

ค่าจ้าง vs. ประสบการณ์ทำงาน: Skill มีผลอย่างไร?34:59

อันนี้ค่าจ้างตามจำนวนปีประสบการณ์ อันนี้ขอไปเร็วๆ นะคะ อันนี้ก็ชัดเจนว่า high skill ยิ่งอยู่นาน ประสบการณ์เยอะ ก็ยิ่งไปได้ไกล

แต่ว่าถ้าคน low skill หรือ medium skill บางทีเค้าใช้งานที่ใช้ร่างกายเยอะ กลายเป็นว่ายิ่งแก่ สมรรถภาพถดถอย นึกออกมั้ย แล้วก็คำอธิบายของเรื่องนี้นะคะ ที่บอกว่างาน high skill เราไม่ค่อยโต หรือไม่เยอะ ส่วนนึงเค้าบอกว่าเพราะว่า สัดส่วนการลงทุนต่อ GDP ของไทยมันน้อย ที่มันเคยบูมในช่วงก่อนปี 2000 พูดง่ายๆ ว่ากราฟมันซ้อนทับกันชัด ว่าสัดส่วนการลงทุนต่อ GDP เยอะ ค่าจ้างก็เลยโต skill labor มี position ในการทำงานเยอะ แต่พอหลังจากนั้นสัดส่วนการลงทุน ต่อ GDP มันน้อย อาชีพ high skill

มันไม่เกิดแล้ว ไม่ค่อยเกิดเท่าไหร่ หรือมันเกิดไม่ทันกับคนที่การศึกษาดีขึ้น ของไทยมันเลย stuck ไม่ค่อยไปไหน แล้วก็อันนี้คือสัดส่วนการลงทุน

ของประเทศต่างๆ ของไทยคือประเทศ ที่เป็นจุดๆๆๆ นะ ข้างบนก็คือประเทศ เจริญแล้วกว่าเรา แล้วก็จะมีกราฟนึง ที่แซงเราไป นั่นคือจีน พูดง่ายๆ ว่าเหมือน 20-30 ปีก่อน เค้าแย่กว่าเรา แล้วตอนนี้เค้าก็พุ่งไปสูงแล้ว แล้วคนที่ยังอยู่เตี้ยกว่าเรา แต่ว่าตามเรามาติดๆ นะคะ จะเป็นอินโด เวียดนาม แล้วก็ฟิลิปปินส์

ความท้าทายของตลาดแรงงานไทย: สังคมสูงวัยและแรงงานข้ามชาติ36:23

อินโดนี่คือคนที่ประชิดเราสุด

อันนี้สั้นๆ แปลว่าสิ่งที่ฟังมา นอกจากสถานการณ์ตลาดแรงงานที่เริ่มน่ากลัว สิ่งที่มี challenge ของตลาดแรงงานในประเทศไทย อีกคืออะไร อันนี้สั้นๆ เลยว่า คนไทยแก่ขึ้นไง แล้วเกิดน้อยลงอีก อันนี้ก็คือทุกๆ 5 ปีนะคะ ไอ้ช่องขวาสุดที่สีเข้มมากๆ อ่ะ คือสัดส่วนแรงงานที่อายุ 50 ถึง 59 แล้วก็ 60 ขึ้นไป จะเห็นว่า คน 50 อัพอ่ะ พูดง่ายๆ อ่ะ คือเกือบ 30% ของกำลังแรงงานในปี 2022 อ่ะนะ แล้วคิดสภาพว่าไอ้เจนใหม่ก็ไม่ค่อยเกิด แปลว่าเจนพวกเราอ่ะ ก็จะ carry ความแก่เนี้ยต่อไป แปลว่าจริงๆ นโยบายการศึกษาไม่ใช่คิดแค่ว่า การศึกษาของเด็กรุ่นใหม่นะ แปลว่าการศึกษาของเด็ก ไม่ใช่ของเด็ก ของคนแรงงานยุคปัจจุบันที่ต้องคาดหวังว่า เขาจะอยู่ไปจนแก่ แล้วอาจจะต้องขยายอายุเกษียณน่ะ เขาต้อง reskill upskill catch up ให้ทันแล้วอ่ะ เพราะว่าคนแรงงานไทยคือแบบ แก่ขึ้นอย่างชัดเจน นะคะ แล้วก็ อันนี้ก็คือ สัดส่วนของเยาวชนที่ มันเป็นคำศัพท์ย่อว่า NEETs นะ ก็คือ not in education employment or training ซึ่งก็คือเหมือนหลุดจากระบบไปนิดนึงอ่ะ ไม่เรียน ไม่ได้ทำงาน แล้วก็ไม่ได้ train อะไรอยู่ กลายเป็นว่ามีประมาณ 15% น่ะ ของเยาวชนน่ะ ที่แบบเป็นคนกลุ่มเนี้ย ที่เหมือนกำลัง ไม่ได้สะสมทุนมนุษย์เพิ่มขึ้นเลยอ่ะ ซึ่งก็เป็นสิ่งที่น่ากังวล แล้วก็เยาวชนหญิงจะมากกว่าเยาวชนชายนะคะ เยาวชนหญิงคือเส้นข้างบน

และสุดท้าย number of documented immigrants

ถ้าเดี๋ยวนี้เราไปร้านอาหารน่ะ เราจะเห็นว่าพนักงานเสิร์ฟอ่ะ แทบไม่ใช่คนไทยอีกต่อไปแล้ว อันนี้คืออีกหนึ่งสิ่งที่กำลังจะเล่าต่อว่า นอกจากงาน low-skill labor ของไทย ที่เราแย่งกันเองอ่ะ แรงงานข้ามชาติอ่ะ เข้ามาแย่งกับเราด้วย และถ้าคิดว่าแรงงานข้ามชาติคิดเป็นกี่เปอร์เซ็นต์ คือถ้าปี 2022 อ่ะ คือเกือบ 3 ล้านคนนะ 3 ล้านคนนี่คือ documented ก็คือมีข้อมูลน่ะ และคนที่ไม่มีข้อมูลหรือเข้ามาแบบไม่ถูกต้องอีกเท่าไหร่ แล้วถ้าถามว่า 3 ล้านคนเนี้ย คือประมาณเกือบ 8% ของกำลังแรงงานของไทยนะคะ แปลว่าแล้วอีก 3 ล้านคนน่ะ อันดับ 1 อ่ะ 2 ล้านคนน่ะ คือพม่า ซึ่งคือเค้า take up อาชีพ low-skill เราไปเยอะมาก แล้วคนกลุ่มนี้ส่วนใหญ่เวลาเค้าเข้ามา เค้าทำงาน low-skill โดยเปรียบเทียบ พม่า ลาว กัมพูชา 3 ประเทศหลักที่เข้ามา เนาะ อันนี้ก็เป็นความท้าทายของตลาดแรงงานไทยอีกเช่นกัน นะคะ

แนวทางรับมือกับความเปลี่ยนแปลง: ปฏิรูปการศึกษาและ Reskill38:56

เพราะฉะนั้นจากที่พูดมาทั้งหมด เราก็จะได้ยินบ่อยๆ ว่าเราต้องปฏิรูปการศึกษาใช่ป่ะ ซึ่งคำว่าปฏิรูปการศึกษา แน่ๆ คือ ไม่แน่ใจด้วยซ้ำว่าตอนเนี้ย ไอ้แบบ coding data analysis อ่ะ ยังจำเป็นอยู่มั้ยอ่ะ เพราะว่า AI มันอาจจะทำแทนได้แล้วหรือเปล่าอ่ะ หรือว่า digital literacy ที่ควรเน้นให้เด็กรู้อ่ะ มันควรจะเป็น digital literacy แบบไหน อันนี้คือสำหรับ consider ว่าสำหรับแรงงานใหม่ ที่กำลังจะเข้ามา และแรงงานเก่า คนอย่างวัยทำงานอย่างเราที่ยังอยู่ในตลาดแรงงาน เราจะได้ยินบ่อยมาก upskilling reskilling lifelong learning ใช่ป่ะ แต่ถามว่านโยบายที่จับต้องได้เป็นชิ้นเป็นอันจริงๆ อ่ะ ที่เราไม่ได้ขวนขวายเองอ่ะ คืออะไร คือแบบคิดไม่ออกเลย นึกออกป่ะคะ แล้วอันสุดท้ายก็คืออาจจะต้องมี job transition program ก็คือคนที่ไม่ไหวจริงๆ อ่ะ ก็ต้องมีนโยบายอะไรบางอย่างที่ช่วยให้เค้าแบบไปต่อได้อ่ะ นึกออกมั้ย

อ่ะ แล้วอันข้างล่างก็คือเหมือนที่ใครๆ พูดกันว่า กลายเป็นว่าเราต้องมานั่งคิดแล้วว่า soft skill อ่ะ อาจจะสำคัญกว่า ที่แบบ skill ที่อย่างที่บอกอ่ะ AI แทนไม่ได้อ่ะ soft skill คืออะไรก็อย่างการเจรจาใดๆ นู่นนี่นะ อันนี้ขอพูดไปเร็วๆ นะคะ

Case Study: โครงการ Pre-employment Card ของอินโดนีเซีย40:05

แล้วก็สุดท้ายจริงๆ ที่จะยกตัวอย่างก็คือ upskilling กับ reskilling ที่เห็นได้ชัดเจน คือ case study ของอินโดนีเซีย มี pre-employment card program พูดสั้นๆ เลยว่า ประดุจ digital wallet แต่เค้าใช้เป็น e-wallet ให้เงินเรา

อันนี้นะ เพราะว่าอินโดเค้าก็มีปัญหาเรื่องนี้ ต้องการ upskilling reskilling เพิ่ม productivity ใช่ป่ะ แต่แทนที่เค้าจะเอา digital wallet มาแจกเงินให้ไปใช้ทั่วไป พูดง่ายๆ ว่าเค้าบอกว่า ฉันให้เงินเธอ 2,000 กว่าบาทมั้งต่อคน แล้วเธอเอาเงินตรงนี้ไปซื้อคอร์สออนไลน์ ในแพลตฟอร์มที่ฉันทำไว้ ฉันคือรัฐ รัฐทำแพลตฟอร์ม แต่ให้เอกชนเข้ามาเป็นคนทำเนื้อหา ก็คือสร้าง stakeholder แบบเข้ามามีส่วนร่วม เนื้อหาทันสมัย หลากหลาย บาริสต้า จัดดอกไม้ คอมพิวเตอร์กราฟิกมีหมด ที่ฉลาดคือ ไม่ได้ให้เงินแล้วบอกว่าให้เค้าเอาเงินไปเรียนอย่างเดียว เธอเรียนจบ ฉันให้เงินค่าเสียโอกาส

อันนี้ทางเศรษฐศาสตร์จะเรียกค่าเสียโอกาส เป็น incentive ว่าถ้าเธอเรียนจบคอร์ส เธอจะได้เงินอีกประมาณ 1,300 บาท คูณไป 4 เดือน แล้วถ้าเธอทำแบบสอบถามให้ฉันด้วย ฟีดแบ็กให้ฉันด้วย เธอได้อีก 100 บาทต่อแบบสอบถาม แปลว่าอะไร เค้าไม่ได้ให้เงินแค่ไปใช้ แต่ว่าเธอเรียนจนจบนะ เธอได้ แล้วที่บอกว่าเป็นค่าเสียโอกาสเพราะอะไร เพราะว่าสมมุตินะ คนที่เค้า

มีน้อยอ่ะ คือเค้าแทบไม่สามารถเสียเวลา ไปอัพสกิลได้ด้วยซ้ำ เพราะการหยุดทำงาน 1 วัน คือเค้าเสียรายได้แล้ว รัฐคิดถึงจุดนี้ไง ก็เลยให้ compensation ว่า ถ้าอย่างน้อย เธอมาเรียนจนจบคอร์ส ฉันน่ะบรรเทาให้เธอตรงนี้ นี่คือความฉลาดนะคะ แล้วก็ในที่สุด เบ็ดเสร็จของต่อคนนะ ก็จะได้ประมาณ 8,000 บาท เหมือนรวมทั้งเงินตั้งต้นและรวมทั้งเงินรายเดือน ที่ได้หลังจากนั้นแค่ 4 เดือน แล้วก็ค่าตอบแทน อะไรอย่างเงี้ย แล้วตอนแรกๆ ให้เฉพาะเยาวชน ที่ไม่มีงานทำอ่ะ เออ แล้วก็ประสบความสำเร็จมาก ใช้ แล้วเค้าเริ่มช่วงโควิดพอดี มันก็เลยเป็น online learning ที่ประสบความสำเร็จสุดๆ แล้วก็เหมือนอารมณ์ว่า reskill คนไปแบบ 17 ล้านคนในเวลา 3 ปีอ่ะ แล้วพอหลังจากนั้น สิ่งที่เกิดขึ้นก็คือเค้าเริ่มขยายแล้วว่า ไม่เฉพาะคนที่เป็นเยาวชนแล้วไม่มีงานทำ

คราวเนี้ย ฉันให้เงินตั้งต้นเธออ่ะ เยอะขึ้น ก็คือไปเรียนคอร์สที่หลากหลาย หรือว่า advance ได้มากขึ้น แต่ฉันไม่ค่อยให้ค่าตอบแทนรายเดือน เธอแล้ว เพราะว่าฉันโฟกัสไปที่แรงงานที่อารมณ์ว่า มีสกิลขึ้นระดับนึง ที่อยากต่อยอดอะไรบางอย่าง แล้วรัฐนั้น ถ้าเข้าไปดูในเว็บเค้าน่ะ เค้าบอกเลยว่า demand ในตลาดตอนเนี้ย ต้องการอาชีพอะไร นายจ้างอยากได้อาชีพอะไร เพราะฉะนั้นถ้าเราเป็นคนแบบนั่นน่ะ เราก็ไป match เลยว่า เออ ฉันควรไปเรียนอันนี้ว่ะ นี่คือประเทศที่เค้าตามเรามาติดๆ นะ แต่ที่เค้าคือเค้าทำไปแล้ว แล้วเค้าประสบความสำเร็จ ไปแล้วด้วย อันนี้คือจะยกตัวอย่างนะคะ

บทสรุปและข้อคิด: เตรียมพร้อมรับมือกับอนาคต42:50

ว่าสิ่งที่จับต้องได้และเห็นได้ชัด มากกว่าคำว่า upskill reskill ที่เราได้ยินน่ะ คืออะไรบ้าง โอเค วัน ก็ประมาณนี้ เท่านี้ค่ะ ขอโทษที่เลยเวลาเยอะ

ก็ขอบคุณอาจารย์สมทิพมากเลยนะคะ ซึ่งก็จบไปแล้ว สำหรับพาร์ทนี้ อาจารย์สมทิพก็ได้อธิบาย เชิงประจักษ์เลยเนาะ โดยใช้สถิติข้อมูลนะคะ ในการอธิบายให้ทุกคนเข้าใจ ก็ ตอนนี้ก็เข้มข้น มากแล้ว แต่ว่าเราจะให้ทุกคนนะคะ พักเบรก 10 นาที นะคะ สามารถไปกินน้ำ หรือว่าเข้าห้องน้ำ ก่อนที่เราจะไปกันที่ตอนที่ 2 หรือว่า session ถัดไปนะคะ ก็มีความเข้มข้นแล้วก็ความสนุก รออยู่ ระหว่างนี้ก็ทุกคนสามารถพักเบรก ได้ตามสบายเลยค่ะ ก็เจอกันนะคะ อ่า 18:45 น. ค่ะ

ขอบคุณค่ะ