sarunjade_

จ้างที่ปรึกษา AI หรือส่งพนักงานอบรมคอร์ส AI แล้ว แต่ทีมทำต่อเองไม่ได้ เพราะอะไร

หลายบริษัทเคยจ้างที่ปรึกษามาวางแผน AI หรือส่งพนักงานไปอบรมคอร์ส AI มาแล้ว แต่พอที่ปรึกษาเก็บของกลับ หรือคอร์สจบลง ทีมงานก็กลับไปทำงานแบบเดิมเหมือนไม่มีอะไรเกิดขึ้น

สาเหตุหลักไม่ใช่เพราะพนักงานไม่เก่งหรือ AI ไม่ดีพอ แต่เพราะการอบรมส่วนใหญ่ส่งมอบ "คำแนะนำ" (advice) ไม่ใช่ "ความสามารถที่ทำงานได้จริง" (capability) — ไม่มีการฝึกซ้ำในงานจริง ไม่มีคนในองค์กรที่รับหน้าที่ผลักดันต่อ และไม่มีระบบติดตามหลังอบรม

งานวิจัยด้าน training transfer ระบุตรงกันว่ามีพนักงานเพียงราว 12% เท่านั้นที่นำทักษะใหม่ไปใช้จริงหากไม่มีการติดตามผลต่อเนื่อง

บทความนี้จะเจาะสาเหตุจริงทีละข้อ พร้อมแนวทางที่ทำให้การอบรม AI ครั้งต่อไปติดตั้งอยู่ในองค์กรจริง ไม่ใช่แค่ในสไลด์ที่ถูกเก็บเข้าลิ้นชัก

สารบัญ

อาการ "อบรมแล้วแต่ทำต่อเองไม่ได้" หน้าตาเป็นอย่างไร

อาการนี้มีรูปแบบที่ซ้ำกันในหลายองค์กร และมักไล่ตามลำดับเวลาที่คาดเดาได้ค่อนข้างชัด

สัปดาห์แรกหลังอบรมพนักงานตื่นเต้น ทดลองใช้ ChatGPT หรือเครื่องมือ AI ที่สอนในคลาส บางคนถึงกับส่งข้อความในกลุ่มแชมป์เปี้ยนหรือกลุ่มไลน์ทีมว่า "ลองใช้แล้วเร็วขึ้นเยอะ"

พอเข้าสัปดาห์ที่สามสี่ งานเร่งตามฤดูกาลหรือ deadline เดิมกลับเข้ามาเบียดเวลา คนที่เคยลองใช้เริ่มถามตัวเองว่า "จะพรอมต์ยังไงให้ได้ผลแบบครั้งก่อน"

แต่จำขั้นตอนไม่ได้แล้วเพราะไม่มีเอกสารอ้างอิงที่ใกล้มือ

สุดท้ายก็เลือกวิธีทำงานแบบเดิมที่คุ้นมือกว่าเพราะเร็วกว่าในระยะสั้น

พอเข้าเดือนที่สองสาม อาการจะชัดขึ้นอีกระดับ: ไม่มีใครถามต่อว่า "ตอนนี้ใช้ AI กับงานอะไรบ้าง" ไม่มีใครวัดผลว่าประหยัดเวลาไปกี่ชั่วโมงต่อสัปดาห์

สไลด์คอร์สหรือ playbook ที่ที่ปรึกษาทิ้งไว้ถูกเก็บไว้ในโฟลเดอร์ Google Drive ที่ไม่มีใครเปิดอีก และคนที่เคยเป็น "ตัวตั้งตัวตี" ในห้องอบรมก็ถูกโยกไปทำโปรเจกต์อื่นโดยไม่มีใครรับช่วงต่อ

สัญญาณที่ชัดที่สุดที่บอกว่าการอบรมกำลังจะล้มเหลวคือช่วง 30-60 วันแรกที่ไม่มีการพูดถึง AI ในที่ประชุมทีมเลยแม้แต่ครั้งเดียว

เพราะนั่นแปลว่าไม่มีกลไกใดๆ คอยดึงเรื่องนี้กลับเข้ามาในความสนใจของทีม

สุดท้ายผู้บริหารตั้งคำถามว่า "จ่ายค่าที่ปรึกษา/ค่าคอร์สไปตั้งเท่าไหร่ ทำไมทีมไม่เปลี่ยนไปเลย" ซึ่งเป็นคำถามที่ถูกต้อง แต่มักถามผิดเวลา

คือถามหลังจากทักษะเลือนหายไปแล้ว แทนที่จะถามตั้งแต่ก่อนเซ็นสัญญาว่าโปรแกรมนี้มีกลไกป้องกันการเลือนหายไว้หรือไม่

ทำไมเรื่องนี้ถึงสำคัญ

ต้นทุนของการอบรมที่ไม่ติดตั้งจริงไม่ใช่แค่งบที่จ่ายไปเปล่าประโยชน์ครั้งเดียว แต่คือ "ต้นทุนความเชื่อ" ที่สะสมในองค์กร

ครั้งต่อไปที่มีคนเสนอเรื่อง AI ผู้บริหารจะตั้งการ์ดสูงขึ้น ทีมงานจะมองเป็นอีกหนึ่งเทรนด์ที่มาแล้วไป และคู่แข่งที่ทำให้ทีมของเขาใช้ AI ได้จริงจะทิ้งระยะห่างไปเรื่อยๆ

ต้นทุนความเชื่อนี้มีผลจริงในทางปฏิบัติ: ครั้งต่อไปที่ฝ่าย L&D เสนองบอบรม AI อีกรอบ ผู้บริหารที่เคยผิดหวังมาก่อนมักจะถามคำถามที่ยากขึ้น ขอหลักฐาน ROI ที่ชัดเจนขึ้น

หรือในหลายกรณีก็ปัดตกไปเลยเพราะ "เคยลองแล้วไม่เห็นผล"

ทั้งที่ปัญหาจริงไม่ได้อยู่ที่ตัวเทคโนโลยี แต่อยู่ที่การออกแบบโปรแกรมรอบแรก

ในทางกลับกัน งานวิจัยด้าน transfer of training พบว่า training transfer มีความสัมพันธ์เชิงบวกสูงมากกับผลการทำงานของพนักงาน — อธิบายความแปรปรวนของผลลัพธ์ด้านประสิทธิภาพได้ถึง 78.2% เมื่อการถ่ายทอดทักษะเกิดขึ้นจริง (Journal of Marketing & Social Research)

พูดง่ายๆ คือ ถ้าติดตั้งทักษะได้จริง ผลตอบแทนจากการอบรมนั้นสูงมาก แต่ถ้าติดตั้งไม่ได้ ก็แทบไม่ต่างจากไม่เคยอบรมเลย

ตัวเลข 78.2% นี้สำคัญเพราะมันบอกว่าปัญหาไม่ได้อยู่ที่ "เนื้อหาดีพอไหม" แต่อยู่ที่ "เนื้อหาถูกถ่ายทอดจนกลายเป็นพฤติกรรมจริงหรือยัง" ซึ่งเป็นตัวแปรคนละตัวกันโดยสิ้นเชิง

องค์กรที่จ่ายเงินซื้อเนื้อหาดีๆ แต่ไม่ได้ลงทุนในกลไกถ่ายทอด จึงมักได้ผลตอบแทนต่ำกว่าที่ควรจะเป็นมาก

สาเหตุที่ 1: ไม่มีการฝึกซ้ำหลังอบรม (ขาด reinforcement)

การอบรมครั้งเดียวแทบไม่เคยสร้างการเปลี่ยนพฤติกรรมที่ยั่งยืน งานวิจัยของ ATD (Association for Talent Development) พบว่า

มีผู้เรียนเพียง 12% เท่านั้นที่นำทักษะใหม่ไปใช้จริงหากไม่มีการติดตามผลหลังอบรม

และตามหลักการลืมของ Ebbinghaus คนเราลืมสิ่งที่เรียนไปแล้วถึง 75% ภายใน 6 วัน หากไม่ได้นำไปใช้ซ้ำ (Panopto, Intellezy)

นี่คือสาเหตุอันดับหนึ่งที่คอร์ส AI แบบจบใน 1-2 วันแล้วจบเลย มักไม่เห็นผลในทางปฏิบัติ — ไม่ใช่เพราะเนื้อหาไม่ดี แต่เพราะสมองมนุษย์ต้องการการฝึกซ้ำเพื่อให้ทักษะกลายเป็นนิสัย

ปัญหาเชิงโครงสร้างที่ทำให้ข้อนี้เกิดซ้ำแล้วซ้ำเล่าคือรูปแบบการจัดซื้อบริการอบรมส่วนใหญ่ในไทย: บริษัทมักซื้อ "1 วันอบรม" หรือ "workshop ครึ่งวัน" เป็นแพ็กเกจปิด เพราะคำนวณงบง่ายและจัดตารางง่ายกว่าโปรแกรมระยะยาว

แต่โครงสร้างนี้ขัดกับกลไกการจำของสมองมนุษย์โดยตรง — เส้นโค้งการลืม (forgetting curve) ของ Ebbinghaus แสดงว่าการลืมเกิดเร็วที่สุดในช่วง 24-48 ชั่วโมงแรก

ดังนั้นจุดติดตามผลครั้งแรกจึงต้องเกิดภายในสัปดาห์แรก ไม่ใช่รอเดือนถัดไป และควรเป็นการฝึกซ้ำแบบสั้นๆ (micro-reinforcement) เช่น คลิป 5 นาที หรือ checklist ที่ส่งกลับไปให้ทำ ไม่ใช่การจัดอบรมรอบสองแบบเต็มวันอีกครั้งซึ่งมีต้นทุนสูงและมักไม่มีงบพอ

ทางแก้: ออกแบบโปรแกรมให้มีจุดติดตามผลหลังอบรมอย่างน้อย 2-3 ครั้งในช่วง 60-90 วันแรก ไม่ใช่จบคลาสแล้วจบกัน ตารางที่ใช้ได้จริงคือ:

  1. จุดที่ 1 ภายใน 7 วัน (เช็คว่าเริ่มลองใช้หรือยัง ติดขัดตรงไหน)
  2. จุดที่ 2 ที่วันที่ 30 (ทบทวนกับงานจริงที่ทำไปแล้ว แก้พรอมต์หรือ workflow ที่ยังไม่ลื่น)
  3. จุดที่ 3 ที่วันที่ 60-90 (วัดผลเทียบ baseline และตัดสินใจว่าจะขยายผลไปแผนกอื่นหรือไม่)

แต่ละจุดใช้เวลาไม่ต้องนานเป็นชั่วโมง — 20-30 นาทีต่อกลุ่มก็เพียงพอ ถ้าออกแบบให้เจาะจงงานจริงของทีมนั้นๆ

สาเหตุที่ 2: ฝึกกับเคสสมมติ ไม่ใช่งานจริงของทีม

คอร์สหรือที่ปรึกษาจำนวนมากสอนแนวคิดและกรอบทฤษฎี (framework) แต่ไม่ได้ให้พนักงานฝึกกับงานจริงของตัวเอง พนักงานเรียนจบไปพร้อมความรู้ แต่ไม่มี "เส้นทางที่ชัดเจน" ว่าจะเอาไปใช้กับงานประจำวันตรงไหน (Mindful HR Services) ผลคือความรู้ถูกเก็บไว้เป็นทฤษฎี ไม่ถูกแปลงเป็นการกระทำ

ยิ่งไปกว่านั้น

การเรียนแบบฟังบรรยาย (passive learning) ทำให้ผู้เรียนจำเนื้อหาได้เพียงราว 5% หลังผ่านไป 24 ชั่วโมง เทียบกับการฝึกลงมือทำจริงที่จำได้สูงถึง 75% (Diversity Resources)

ช่องว่างที่พบบ่อยที่สุดในทางปฏิบัติคือ วิทยากรสอน "วิธีเขียนพรอมต์ที่ดี" ด้วยตัวอย่างทั่วไป เช่น "ช่วยเขียนอีเมลขอบคุณลูกค้า" แต่ไม่เคยเอาเอกสารจริงของทีม เช่น แบบฟอร์มขออนุมัติ ตารางคำนวณราคา หรือสคริปต์ตอบลูกค้าที่ใช้อยู่จริง มาเป็นวัตถุดิบในการฝึก พนักงานจึงจำได้แค่ "หลักการ" แต่พอกลับไปเปิดงานจริงกลับไม่รู้จะเริ่มพรอมต์อย่างไร เพราะบริบทของงานจริงมีรายละเอียดที่ตัวอย่างทั่วไปไม่ได้ครอบคลุม เช่น ต้องใช้ศัพท์เฉพาะอุตสาหกรรม ต้องอ้างอิงข้อมูลภายในที่ไม่มีใน ChatGPT หรือมีข้อจำกัดด้านการรักษาความลับของข้อมูลลูกค้าที่ต้องคำนึงถึง

ความแตกต่างระหว่าง "ฝึกกับเคสสมมติ" กับ "ฝึกกับงานจริง" จึงไม่ใช่แค่เรื่องความสนุกหรือความรู้สึกมีส่วนร่วม แต่เป็นตัวตัดสินว่าทักษะนั้นจะย้ายจากห้องอบรมไปสู่โต๊ะทำงานได้จริงหรือไม่

ทางแก้: ทุกโมดูลควรจบด้วยการให้พนักงานฝึกกับงาน เอกสาร หรือ workflow จริงของแผนกตัวเอง ไม่ใช่ตัวอย่างสมมติทั่วไป ในทางปฏิบัติ หมายถึงก่อนวันอบรมต้องมีขั้นตอนเก็บตัวอย่างงานจริง 3-5 ชิ้นจากแต่ละแผนกที่จะเข้าร่วม (เช่น อีเมลตอบลูกค้าจริง ตารางสรุปยอดขายจริง เอกสารสัญญาจริงที่ตัดข้อมูลอ่อนไหวออก) แล้วใช้ชิ้นงานเหล่านั้นเป็นโจทย์ฝึกในคลาส เพื่อให้พนักงานเดินออกจากห้องอบรมพร้อมพรอมต์หรือ workflow ที่ใช้ได้กับงานของตัวเองทันที ไม่ต้องแปลจากทฤษฎีเป็นภาคปฏิบัติเองอีกที

สาเหตุที่ 3: ไม่มีแชมป์เปี้ยนภายในหรือหัวหน้างานที่สนับสนุนต่อ

งานวิจัยพบว่ามีพนักงานเพียง 20% เท่านั้นที่นำทักษะใหม่ไปใช้ได้สำเร็จโดยไม่มีการสนับสนุนจากหัวหน้างานอย่างจริงจัง (Panopto) และในโลกของ AI โดยเฉพาะ ปัจจัยที่งานวิจัยด้าน AI adoption ชี้ตรงกันคือ ต้องมี "AI Champion" หรือคนในทีมที่รับหน้าที่ผลักดันการใช้งานต่อเนื่อง คอยสาธิต ให้คำแนะนำเพื่อนร่วมทีม และสะท้อนปัญหาที่เจอกลับไปหาผู้ดูแลโปรแกรม

แชมป์เปี้ยนที่ได้ผลจริงมักไม่ใช่คนที่เก่งเทคนิคที่สุดในทีม แต่เป็นพนักงานระดับกลางที่มี use case ใช้งานจริงในมือและมีความกระตือรือร้น (Adoptify AI, AI Assembly Lines) หากไม่มีใครในองค์กรรับบทบาทนี้ต่อจากที่ปรึกษาหรือวิทยากร โปรแกรมจะไม่มี "เจ้าของ" หลังวันสุดท้ายของการอบรม

สิ่งที่มักถูกมองข้ามคือ บทบาทแชมป์เปี้ยนต้องมี "เวลาที่จัดสรรไว้จริง" ไม่ใช่แค่ป้ายชื่อ หลายองค์กรเลือกคนที่เก่งที่สุดในทีมให้มาเป็นแชมป์เปี้ยน แต่ไม่ได้ลดภาระงานเดิมให้เลยแม้แต่ชั่วโมงเดียว สุดท้ายคนคนนั้นก็ทำหน้าที่แชมป์เปี้ยนไม่ได้เพราะงานประจำท่วมอยู่แล้ว

อีกจุดที่พลาดบ่อยคือเลือกแชมป์เปี้ยนจากตำแหน่งบริหารแทนที่จะเป็นคนหน้างาน เพราะคิดว่ามีอำนาจสั่งการมากกว่า แต่ในทางปฏิบัติเพื่อนร่วมทีมมักจะถามคำถามเชิงเทคนิคหรือ "ทำไมมันไม่ได้ผลแบบนี้" กับคนที่นั่งทำงานข้างๆ มากกว่าหัวหน้าแผนก ดังนั้นแชมป์เปี้ยนที่ทำงานได้ผลจริงจึงมักเป็นทีมผสม — มีทั้งหัวหน้างานที่ช่วยจัดสรรเวลาและให้ความชอบธรรม กับพนักงานหน้างานที่เป็นจุดอ้างอิงด้านการใช้งานจริงประจำวัน

ทางแก้: ก่อนอบรมจบ ต้องเลือกและมอบหมายแชมป์เปี้ยนภายในอย่างน้อย 1-2 คนต่อแผนก พร้อมเวลาและอำนาจตัดสินใจที่ชัดเจนให้ทำหน้าที่นี้ต่อ รวมถึงลดภาระงานเดิมลงอย่างเป็นรูปธรรม (เช่น 2-3 ชั่วโมงต่อสัปดาห์) และให้ผู้บริหารประกาศบทบาทนี้อย่างเป็นทางการ ไม่ใช่แค่บอกปากเปล่าในวันอบรม เพื่อให้เพื่อนร่วมทีมรู้ว่าจะไปหาใครเมื่อติดปัญหา

สาเหตุที่ 4: ได้รับ "คำแนะนำ" แต่ไม่ได้รับ "ความสามารถที่ทำต่อเองได้"

นี่คือความแตกต่างที่สำคัญที่สุดระหว่างการจ้างที่ปรึกษามาวางกลยุทธ์ กับการเทรนให้ทีมทำเองเป็น ที่ปรึกษาส่วนใหญ่ส่งมอบรายงาน แผนงาน หรือ roadmap ที่ดีในกระดาษ แต่ไม่ได้ถ่ายทอดทักษะให้คนในทีมทำต่อได้ด้วยตัวเอง เมื่อโครงการที่ปรึกษาจบลง ความรู้เชิงปฏิบัติก็เดินออกจากบริษัทไปพร้อมกับที่ปรึกษาด้วย เหลือไว้แต่เอกสารที่ไม่มีใครสานต่อ นี่คือรูปแบบเดียวกับที่ทำให้โครงการ AI transformation จำนวนมากค้างอยู่ที่ขั้น pilot หรือ proof of concept โดยไม่เคยขยายผลจริง (อ่านเพิ่มเติมได้ในบทความ "ทำไมองค์กรทำ AI transformation แล้วไม่สำเร็จ / pilot ค้างที่ PoC")

วิธีสังเกตความแตกต่างนี้ตั้งแต่ตอนคุยกับผู้ให้บริการคือ ลองถามคำถามง่ายๆ ว่า "หลังโปรแกรมจบ ถ้าทีมเจอปัญหาใหม่ที่ไม่เคยฝึกมาก่อน ทีมจะแก้ปัญหาเองได้ไหม หรือต้องโทรกลับมาหาที่ปรึกษา" ถ้าคำตอบคือต้องพึ่งพาที่ปรึกษาต่อ นั่นแปลว่าสิ่งที่ซื้อมาคือ "บริการ" ไม่ใช่ "ทักษะที่ติดตั้งในทีม" ทั้งสองแบบมีที่ทางของตัวเอง

แต่ปัญหาเกิดเมื่อองค์กรคิดว่ากำลังซื้ออย่างหลังแต่ได้รับอย่างแรก

ความคาดหวังที่ไม่ตรงกันนี้เองที่นำไปสู่ความรู้สึกว่า "จ้างที่ปรึกษาไปแล้วทีมทำต่อเองไม่ได้" ทั้งที่จริงๆ แล้วที่ปรึกษาก็ส่งมอบสิ่งที่สัญญาไว้ครบถ้วน เพียงแต่สิ่งที่สัญญาไว้ไม่ใช่ความสามารถที่ทำต่อเองได้ตั้งแต่แรก

ทางแก้: เลือกโปรแกรมที่วัดผลจาก "ทีมทำเองได้หรือยัง" ไม่ใช่แค่ "ทีมเข้าใจแนวคิดหรือยัง" — ความแตกต่างนี้ควรเป็นคำถามแรกที่ถามผู้ให้บริการก่อนเซ็นสัญญา ให้ขอดู deliverable ที่จับต้องได้ เช่น พรอมต์ไลบรารีที่ทีมใช้ต่อได้เอง เอกสาร SOP การใช้ AI กับงานเฉพาะของแผนก หรือ workflow ที่ตั้งค่าไว้ให้พร้อมใช้ ไม่ใช่แค่สไลด์สรุปแนวคิดหรือรายงานกลยุทธ์

เช็คลิสต์ 7 ข้อ: การอบรม AI ครั้งก่อนของคุณ "ติดตั้งจริง" หรือ "แค่ซาบซึ้งตอนจบคลาส"

ก่อนตัดสินใจว่าจะอบรมรอบใหม่หรือไม่ ให้ลองไล่เช็คลิสต์นี้กับโปรแกรมที่เคยทำมาก่อน — ถ้าตอบ "ไม่" เกิน 3-4 ข้อ แปลว่าปัญหาไม่ได้อยู่ที่พนักงานหรือตัว AI แต่อยู่ที่การออกแบบโปรแกรมตั้งแต่ต้น

  1. มีคนตอบได้ทันทีว่าใช้ AI กับงานอะไรบ้างในสัปดาห์นี้ — ถ้าถามหัวหน้าแผนกแล้วต้องคิดนาน หรือตอบเป็นภาพรวมกว้างๆ ("ก็ใช้ๆ อยู่บ้าง") แทนที่จะระบุงานเจาะจงได้ นั่นคือสัญญาณว่าการใช้งานไม่ได้ฝังอยู่ใน workflow จริง
  2. มีเอกสารอ้างอิง (พรอมต์ไลบรารี, SOP) ที่พนักงานเปิดใช้จริงในช่วง 2 สัปดาห์ที่ผ่านมา — เช็คจากประวัติการเปิดไฟล์ใน Drive หรือถามตรงๆ ว่าใครเปิดล่าสุดเมื่อไหร่ ถ้าไฟล์ถูกเปิดครั้งสุดท้ายตั้งแต่วันอบรม แปลว่าไม่ได้ถูกใช้เป็นเครื่องมือทำงานจริง
  3. มีคนที่รับบทบาทแชมป์เปี้ยนชัดเจน และเพื่อนร่วมทีมรู้ว่าต้องถามใครเมื่อติดปัญหา — ไม่ใช่แค่ชื่อที่เคยประกาศไว้วันอบรม แต่ต้องเป็นคนที่ยังตอบคำถามอยู่จริงในปัจจุบัน
  4. มีตัวเลขวัดผลเทียบก่อน-หลัง อย่างน้อย 1 ตัว เช่น เวลาที่ใช้ทำรายงานลดลงกี่นาทีต่อชิ้น หรือจำนวนงานที่ทำผ่าน AI ต่อสัปดาห์ — ถ้าไม่มีใครวัดอะไรเลยตั้งแต่อบรมจบ แปลว่าไม่มีกลไกที่จะรู้ตัวเมื่อการใช้งานเริ่มลดลง
  5. เคยมีจุดติดตามผล (check-in) อย่างน้อย 1 ครั้งหลังอบรมจบ ไม่ว่าจะเป็นประชุมสั้นๆ หรือแบบสอบถาม — ถ้าตั้งแต่วันสุดท้ายของคลาสไม่มีใครติดต่อกลับมาเลย โอกาสสูงว่าทักษะเลือนหายไปแล้วตามเส้นโค้งการลืม
  6. เนื้อหาที่ฝึกอิงกับงานจริงของแผนก ไม่ใช่ตัวอย่างทั่วไป — ลองถามพนักงานว่าจำตัวอย่างที่ฝึกได้ไหม ถ้าจำได้แต่ "หลักการ" แต่จำไม่ได้ว่าเคยฝึกกับงานชิ้นไหนของตัวเอง แปลว่าการฝึกเป็นแบบ passive ไม่ใช่ hands-on กับงานจริง
  7. ผู้บริหารหรือหัวหน้าแผนกเคยพูดถึง AI ในที่ประชุมทีมอย่างน้อย 1 ครั้งในเดือนที่ผ่านมา — การสนับสนุนจากหัวหน้างานคือปัจจัยที่งานวิจัยชี้ว่าต่างจากการปล่อยให้ทีมลุยเองแบบไม่มีใครติดตาม ถ้าเรื่องนี้ไม่เคยถูกพูดถึงจากผู้บริหารเลย พนักงานก็จะอ่านสัญญาณว่านี่ไม่ใช่เรื่องสำคัญอีกต่อไป

ตัวอย่างสมมติ: จากอบรมครั้งแรกที่ล้มเหลว สู่รอบสองที่ทีมใช้จริง

(สถานการณ์ต่อไปนี้เป็นตัวอย่างสมมติเพื่อประกอบความเข้าใจ ไม่ใช่กรณีลูกค้าจริง)

ลองสมมติบริษัทนำเข้า-จัดจำหน่ายสินค้าอุปโภคบริโภคขนาดกลางแห่งหนึ่ง มีพนักงานฝ่ายขายและฝ่ายบัญชีรวมกันราว 40 คน เมื่อปีก่อนบริษัทจ้างวิทยากรมาสอนคอร์ส "AI สำหรับทีมขาย" แบบเต็มวันเดียว เนื้อหาครอบคลุมการใช้ ChatGPT เขียนอีเมล สรุปข้อมูลลูกค้า และช่วยคิดข้อเสนอโปรโมชัน พนักงานให้คะแนนความพอใจหลังคลาสสูงถึง 4.6/5

แต่พอผ่านไป 3 เดือน ผู้จัดการฝ่ายขายพบว่าแทบไม่มีใครในทีมเปิดใช้ ChatGPT อีกเลย เมื่อสอบถามพนักงานหลายคนตอบตรงกันว่า "จำได้ว่าสอนดี แต่จำไม่ได้ว่าต้องพรอมต์ยังไงกับงานจริงของตัวเอง" และไม่มีใครในทีมที่รู้สึกว่าตัวเองเป็นเจ้าของเรื่องนี้ต่อ

เมื่อบริษัทนี้ลองไล่เช็คลิสต์ 7 ข้อข้างต้นย้อนหลัง พบว่าตอบ "ไม่" ถึง 6 จาก 7 ข้อ — ไม่มีแชมป์เปี้ยน ไม่มีจุดติดตามผล ไม่มีตัวเลขวัดผล เนื้อหาที่ฝึกก็เป็นตัวอย่างทั่วไปไม่ใช่งานขายจริงของบริษัท จุดเดียวที่ผ่านคือผู้บริหารเคยพูดถึง AI ในที่ประชุมบ้างเป็นครั้งคราว

จากการวินิจฉัยนี้ สมมติว่าบริษัทตัดสินใจออกแบบรอบสองใหม่ทั้งหมด โดยเปลี่ยน 4 จุดหลัก:

  1. ใช้เอกสารจริงของทีมขาย เช่น อีเมลเสนอราคาจริง 5 ฉบับที่ตัดชื่อลูกค้าออก มาเป็นโจทย์ฝึกแทนตัวอย่างทั่วไป
  2. เลือกพนักงานขายอาวุโส 2 คนที่มี use case ใช้ AI อยู่แล้วให้เป็นแชมป์เปี้ยน พร้อมลดเป้ายอดขายรายเดือนลงเล็กน้อยเพื่อให้มีเวลาทำหน้าที่นี้
  3. กำหนดจุดติดตามผล 3 ครั้งที่วันที่ 7, 30 และ 60 แทนที่จะจบแล้วจบกัน
  4. ตั้งตัวเลขวัดผลง่ายๆ คือเวลาเฉลี่ยที่ใช้ร่างข้อเสนอราคาต่อฉบับ เทียบก่อน-หลัง

ผลลัพธ์ที่สมมติขึ้นคือหลังผ่านไป 60 วันของรอบสอง

มีพนักงานขาย 7 จาก 10 คนที่ยังใช้ AI ต่อเนื่องในงานประจำ ต่างจากรอบแรกที่แทบไม่มีใครใช้เลยหลังผ่านไป 3 เดือน

ตัวอย่างนี้สะท้อนให้เห็นว่าปัญหาไม่ได้อยู่ที่ทีมขาย "ไม่เก่งพอ" ตั้งแต่ต้น แต่อยู่ที่โครงสร้างโปรแกรมที่ขาดกลไกการติดตั้งทักษะระยะยาว

แล้วบริษัทที่เคยติดกับดักนี้ควรเริ่มใหม่อย่างไร

จากสาเหตุทั้ง 4 ข้อข้างต้น จุดร่วมคือ การอบรมที่ติดตั้งได้จริงต้องมีองค์ประกอบ 3 อย่างพร้อมกัน:

  1. การฝึกซ้ำกับงานจริงต่อเนื่อง ไม่ใช่จบในวันเดียว
  2. คนในองค์กรที่รับหน้าที่ผลักดันต่อหลังโปรแกรมจบ
  3. ผู้ให้บริการที่วัดผลจากความสามารถที่ทำต่อเองได้ ไม่ใช่แค่ความเข้าใจในห้องอบรม

ถ้าองค์กรเคยลองมาแล้วครั้งหนึ่งและไม่สำเร็จ ปัญหามักไม่ได้อยู่ที่ทีมงาน "ไม่เก่งพอ" แต่อยู่ที่การออกแบบโปรแกรมตั้งแต่ต้นไม่ได้คิดเรื่องการติดตั้งความสามารถระยะยาวไว้เลย

จุดเริ่มต้นที่ใช้ได้จริงคือ ไม่ต้องทิ้งของเก่าทั้งหมดแล้วเริ่มใหม่ตั้งแต่ศูนย์ แต่ให้ไล่เช็คลิสต์ 7 ข้อด้านบนก่อน เพื่อระบุว่าจุดไหนที่ขาดหายไปจริงๆ บางองค์กรอาจขาดแค่จุดติดตามผล บางองค์กรอาจขาดทั้งแชมป์เปี้ยนและตัวชี้วัด

การเติมเฉพาะส่วนที่ขาดมักใช้งบและเวลาน้อยกว่าการอบรมใหม่ทั้งหมด และมีโอกาสติดตั้งจริงสูงกว่าด้วย เพราะพนักงานยังจำเนื้อหาเดิมได้บางส่วนอยู่แล้ว เพียงแต่ขาดกลไกที่จะดึงความรู้นั้นกลับมาใช้ซ้ำ

คำถามที่พบบ่อย

ทำไมพนักงานถึงหยุดใช้ AI หลังจากอบรมจบไปแล้ว? ส่วนใหญ่เพราะไม่มีการฝึกซ้ำต่อเนื่องและไม่มีใครติดตามผล งานเร่งในแต่ละวันทำให้พนักงานกลับไปใช้วิธีทำงานแบบเดิมที่คุ้นมือกว่า เว้นแต่จะมีจุดติดตามผลและแชมป์เปี้ยนภายในที่ผลักดันต่อ

จ้างที่ปรึกษา AI กับเทรนให้ทีมทำเองเป็น ต่างกันอย่างไร? ที่ปรึกษาส่วนใหญ่ส่งมอบแผนงานและคำแนะนำเชิงกลยุทธ์ ส่วนการเทรนที่ได้ผลจริงต้องส่งมอบความสามารถที่ทีมนำไปทำต่อเองได้หลังโปรแกรมจบ โดยไม่ต้องพึ่งพาที่ปรึกษาคนเดิมอีก

ใช้เวลานานแค่ไหนกว่าจะรู้ว่าการอบรม AI ครั้งนี้จะติดตั้งจริงหรือไม่? ช่วง 60-90 วันแรกหลังอบรมเป็นตัวชี้วัดที่ชัดเจนที่สุด — ถ้ายังไม่มีการฝึกซ้ำหรือติดตามผลใดๆ ภายในช่วงนี้ โอกาสที่ทักษะจะถูกลืมและไม่ถูกนำไปใช้จริงจะสูงมาก

ต้องมี "AI Champion" ในทุกแผนกจริงหรือไม่? ไม่จำเป็นต้องมีทุกแผนกตั้งแต่วันแรก แต่ควรมีอย่างน้อย 1-2 คนต่อแผนกที่ใช้ AI เข้มข้น เพื่อรับหน้าที่ผลักดันการใช้งานต่อและเป็นจุดอ้างอิงให้เพื่อนร่วมทีมถามคำถาม

บริษัทที่เคยอบรม AI ไปแล้วแต่ไม่เห็นผล ต้องเริ่มนับหนึ่งใหม่ทั้งหมดไหม? ไม่จำเป็นต้องเริ่มใหม่ทั้งหมด — ส่วนใหญ่สิ่งที่ขาดคือขั้นตอนการติดตามผลและมอบหมายเจ้าของงานต่อ ซึ่งเป็นส่วนที่เพิ่มเข้าไปในโปรแกรมเดิมได้โดยไม่ต้องทิ้งของเก่าทั้งหมด

บทความนี้เขียนโดย Jade (Sarunjade) ที่ปรึกษาด้าน AI Transformation Training สำหรับองค์กรไทย จากประสบการณ์ตรงในการออกแบบโปรแกรมฝึกอบรมที่เน้นให้ทีมงานทำต่อเองได้จริง ไม่ใช่แค่ฟังบรรยายจบแล้วจบกัน หากบริษัทของคุณเคยลองจ้างที่ปรึกษาหรือส่งพนักงานอบรมคอร์ส AI มาแล้วแต่ยังไม่เห็นผลต่อเนื่อง ลองดูแนวทางการออกแบบโปรแกรม AI Transformation Training ที่ออกแบบมาให้วัดผลจากความสามารถที่ทีมทำต่อเองได้ ไม่ใช่แค่ความเข้าใจในห้องอบรม

แหล่งอ้างอิง