Siametrics RESEARCH | กันยายน 2026
Thailand AI Impact Economic Simulation
จำลองผลกระทบ AI ต่อเศรษฐกิจไทยถึงปี 2030
GDP รายได้ และทางเลือกที่เรายังเลือกเองได้
ดาวน์โหลดบทความ PDF11 หน้า · ขาวดำสำหรับพิมพ์
คนกลุ่มเดิม เงื่อนไขต่างกัน อนาคตจึงมีหลายแบบ
1.5 billion
records จากแรงงานจำลอง 2 แสนคน
เทคโนโลยีล้ำหน้าไม่ได้มีแค่ด้านบวก
AI เข้ามาเปลี่ยนงานของพวกเราแล้ว
เจนจบสาขาการเงิน ทุกวันนี้ใช้เวลาเตรียมไฟล์ข้อมูลยุบยับ อ่านงบ สรุปความเสี่ยง และคุยกับเจ้าของธุรกิจ ถ้า AI ช่วยเตรียมข้อมูลให้ เจนอาจมีเวลาทำความเข้าใจลูกค้ามากขึ้น แต่จะเกิดอะไรขึ้นกับเจนและน้องๆ ในทีม?
ศักดิ์ทำงานบัญชีมาเกือบ 20 ปี ทุกวันคลุกคลีกับ Excel ลงรายการ กระทบยอด และตามเอกสาร ถ้างานบัญชีแทบไม่ต้องใช้คนแล้วศักดิ์จะทำอะไรต่อ? เขาไม่แน่ใจว่าบริษัทจะยังอบรมพนักงานรุ่นเก่าอย่างเขาอีกหรือไม่
TL;DR
เรื่อง AI นับเป็นเรื่องใหญ่เกินกว่าจะทำนายได้แม่นยำ ใหญ่กว่าแค่เรื่องดาต้าเซ็นเตอร์ และใหญ่เกินกว่าจะนิ่งรอให้เกิดผลกระทบแล้วค่อยตามวัดผลทีหลัง
เราจึงตัดสินใจนำข้อมูลเศรษฐกิจไทยมาฟิตกับโมเดลเศรษฐศาสตร์แรงงานเพื่อศึกษาการจำลองผลกระทบของการพัฒนา AI 3 ฉากทัศน์ (โลก A, B, และ C) ต่อเศรษฐกิจไทยแล้วเทียบกับกรณีที่ AI หยุดพัฒนาวันนี้
- เศรษฐกิจจะขยายตัว แต่รายได้จากงานกลับลดลง หาก AI พัฒนาเร็วและกว้างแบบโลก B real GDP ปี 2030 จะสูงกว่าโลกอ้างอิงที่ AI หยุดพัฒนาราว 8.5% ทว่ารายได้จากงานของแรงงานกลุ่มเดิม 200,000 คนกลับลดลงราว 23%
- งานสูญหายอย่างเงียบๆ ในโมเดล กิจการใช้วิธีปิดประตูไม่รับคนใหม่เป็นหลัก และเลิกจ้างเฉพาะกรณีจำเป็น ภาระจึงตกอยู่กับคนที่เพิ่งเข้าตลาดแรงงานและผู้ที่หลุดออกจากระบบแล้วหาทางกลับเข้ามาใหม่ไม่ได้
- ทุกทางออกล้วนมีต้นทุน บางแนวทางแลกมาด้วยการเติบโตที่ชะลอลง บางแนวทางทำได้เพียงซื้อเวลา การฝึกอบรมที่ไม่ทั่วถึงอาจทำให้กลุ่มที่ได้รับการอบรมมีผลิตภาพสูงจนสร้างแรงจูงใจให้นายจ้างลดคนที่ยังไม่ได้รับการอบรม ถ้าขยายการอบรมไม่ทันอัตราเร่งของ AI แรงงานก็จะถูกกระทบอย่างรุนแรง
AI เป็นมากกว่าแค่แชตบอตแล้ว
- 2022
แชทและเขียน
ChatGPT
- 2023
ช่วยแก้โจทย์ซับซ้อน
GPT-4 และ Claude
- 2024
เห็น ฟัง ใช้คอมพิวเตอร์
GPT-4o และ Claude 3.5
- 2025
แก้และทดสอบโค้ด
Claude Code และ Codex
- 2026
รับงานซับซ้อนขึ้น
GPT-6 Astra และ Claude Fable 5.1
ตัวอย่างหมุดหมายจากประกาศเปิดตัวของ OpenAI และ Anthropic
ประวัติศาสตร์สะท้อนชัด
เทคโนโลยีช่วยให้เศรษฐกิจโตได้
แต่ผลลัพธ์ต่อแรงงานอาจไปคนละทาง
และครั้งนี้กระทบ "ทุก" งาน
พวกลัดไดต์ในอังกฤษอาจทำถูกแล้วสำหรับอนาคตของตัวเอง
ความมั่งคั่งที่สังคมได้รับในระยะยาว ไม่ได้รับประกันว่าคนเหล่านี้และลูกหลานจะได้ประโยชน์ด้วย และไม่มีทางทราบได้ว่าต้องรอนานเพียงใดกว่าลูกหลานจะได้รับผลประโยชน์กลับคืนมาจากความก้าวหน้าของเทคโนโลยี
สำหรับประเทศไทย เราไม่สามารถชะลอการพัฒนา AI ของโลกได้ แต่ยังเลือกได้ว่าจะประคองคนที่จะเสียรายได้อย่างไร จะออกแบบนโยบายอย่างไรให้บริษัทโตได้โดยคำนึงถึงลูกจ้าง การฝึกฝนทักษะต้องใช้เวลา และคนยังต้องกินต้องใช้ระหว่างหางานใหม่
จึงควรเริ่มมองไปข้างหน้าว่าใครเสี่ยงเสียรายได้ เร็วแค่ไหน และจำลองทางเลือกก่อนที่ความเสียหายจะเกิดขึ้นจริง
แล้ว AI จะกระทบเศรษฐกิจและแรงงานไทยอย่างไร?
นักเศรษฐศาสตร์แรงงานหมกมุ่นกับเรื่องนี้มาก!
Daron Acemoglu (โนเบลปี 2024) และ Pascual Restrepo อธิบายว่า AI ส่งผลกระทบ 3 แบบกับเหล่าบริษัท
1. เข้ามาทำงานแทนมนุษย์
2. ทำให้สินค้าถูกลงจนขายได้มากขึ้น และ
3. สร้าง new tasks ขึ้นมา
สองอย่างหลังมักเป็นพระเอกบนเวทีสัมมนา แต่เมื่อ AI เหลือชั่วโมงงานจำเจให้คนทำไม่ถึง 1/4 ของเดิม ยอดขายต้องโตแค่ไหนเถ้าแก่ถึงจะยังโอเค? ต้องโตระเบิดแค่ไหนทุกคนจึงจะกลับมามีงานเต็มมือ
หลายคนเดาว่าน่าจะเกิดการเลิกจ้างครั้งใหญ่ แต่ขอให้อ่านต่ออีกหน่อยนะครับ
วิธีทำ Simulation
1. ตั้งต้นด้วยข้อมูลไทย จำลองลูกจ้างเอกชน 200,000 คน กับบริษัทผลิตสินค้า 2,000 แห่ง โดยอิงข้อมูลไทย
2. ลอง AI สามแบบ เก่งขึ้นเร็วช้าต่างกัน ราคาลดลงต่างกัน พร้อมอีกโลกที่ AI อยู่เท่าเดิม
3. ให้คนกับบริษัทปรับตัว บริษัทเลือกใช้ AI และปรับการจ้างงาน คนหางาน ฝึกทักษะ หรือทำงานอิสระ ตามกติกาที่ตั้งไว้
4. ตามไปทีละเดือน จาก ต.ค. 2026 ถึง ธ.ค. 2030 ดูงาน รายได้ และการใช้จ่ายที่ส่งผลต่อกัน
5. เทียบผล แล้วลองใหม่ เทียบกับโลกที่ AI คงเดิม รันซ้ำ และลองนโยบายเพื่อดูว่าอะไรช่วยได้
เลื่อนลงต่อ
3 ฉากทัศน์
ลองให้ AI พัฒนาต่อสามรูปแบบ
ต่างกันที่มันเทพแค่ไหน ราคาลดลงเท่าไร และใช้เวลากี่เดือนกว่าจะไปถึงระดับที่แต่ละฉากทัศน์ตั้งไว้
งานธุรการเดิม 100 ชั่วโมง
คนทำเองคนทำร่วมกับ AI
เวลาที่คนยังใช้050100 ชม.ราคา AI¹
Aค่อยเป็นค่อยไป
65 ชม.
ราคา AI เหลือ 50%
Bเร็วและกว้าง
23.5 ชม.
ราคา AI เหลือ 20%
Cรุนแรง
6.9 ชม.
ราคา AI เหลือ 10%
- A
AI อ่านและสรุปเอกสารให้ คนยังเชื่อมขั้นตอนและทำงานส่วนที่เหลือ
- B
AI ดึงข้อมูล ตรวจเทียบ และจัดทำรายงานต่อกัน คนใช้เวลาไม่มากเพื่อตรวจแก้และตัดสินใจ
- C
คนเหลือหน้าที่ตรวจทานและจัดการกรณีพิเศษ ใช้เวลาน้อยลงมากกับงานชุดเดิม
สี่กติกาที่กำหนดผลลัพธ์
กติกาที่ 1: ทุกเดือนลูกจ้างราว 1 ใน 100 คนออกจากงานด้วยเหตุผลที่ไม่เกี่ยวกับ AI
กติกาที่ 2: บริษัทเลิกจ้างได้ไม่เกิน 10% ของพนักงานที่เกินความต้องการต่อเดือน โดยเริ่มจากคนที่ยังไม่ผ่านการฝึกอบรม ข้อนี้เราตั้งไว้แทนต้นทุนค่าชดเชยและการบอกกล่าวล่วงหน้าของไทย
กติกาที่ 3: ค่าจ้างพื้นฐานลดได้ยาก (sticky) ข้อนี้ตั้งไว้ให้สมจริง กฎหมายไทยระบุว่าหากจะทำต้องได้ความยินยอมจากลูกจ้าง บริษัทจะยังมีทางเลือกที่จะตัดโบนัส OT และเงินเพิ่มอื่นก่อน ส่วนนี้รวมกันราว 28% ของค่าจ้างพื้นฐาน (ค่ามัธยฐานของ PMAT)
กติกาที่ 4: พนักงานที่ผ่านการฝึกอบรมแล้วเท่านั้นถึงจะใช้ AI ทำงานที่บริษัทได้ เราใส่ลิมิตให้เริ่มฝึกอบรมได้เดือนละ 3,000 คนจากแรงงานจำลองตั้งต้น 200,000 คน หรือ 1.5% บริษัทที่เริ่มนำ AI มาทำธุรกิจแล้วจะได้ส่งคนไปฝึกอบรมก่อน ในโลก B เมื่อ AI เต็มกำลัง คนที่ผ่านการฝึกอบรมแล้วใช้เวลาแค่ราว 1 ใน 4 ในการจบงานเสมียนเดิม
โมเดลโดยย่อ
เราสร้าง agent-based model เป็นประเทศไทยขนาดย่อในคอมพิวเตอร์ แรงงานจำลอง 200,000 คนเป็นตัวแทนลูกจ้างภาคเอกชนไทย และมีคนที่เพิ่งเข้าตลาดแรงงานเข้ามาเพิ่ม ทำงานในบริษัทจำลอง 2,000 แห่ง
ทุกเดือนตั้งแต่ตุลาคม 2026 จนถึงสิ้นปี 2030 บริษัทจะตัดสินใจเองว่าจะนำ AI เข้ามาใช้ในธุรกิจหรือไม่ จะรับคนหรือลดคน แรงงานเลือกว่าจะหางาน เข้าฝึกอบรม AI หรือออกมาทำมาหากินเอง ส่วนเถ้าแก่จะดึงกำไรออกมาใช้สอย
เพื่อความสมจริง เรา calibrate โมเดลด้วยสถิติทางการของไทย ข้อมูลจากสมาคมการจัดการงานบุคคลแห่งประเทศไทย (PMAT) และ World Bank
จากนั้นเราสร้างโลกคู่ขนาน คนกลุ่มเดียวกันนี้ใช้ชีวิตถึงสิ้นปี 2030 เป็นเส้นโลก alternate realities 4 เส้น
โลกอ้างอิงคือโลกที่ AI หยุดนิ่งที่ระดับกันยายน 2026 โลก A คือ AI พัฒนาแบบค่อยเป็นค่อยไป โลก B คือ AI พัฒนาเร็วและกว้าง ถูกลงมาก และโลก C คือ AI พัฒนาสุดขั้ว ถูกลงเร็วสุดๆ เป็น stress test
สำคัญคือเราจะเอาผลลัพธ์ เช่น GDP หรือรายได้แรงงานจากโลกต่างๆ มาเทียบกับโลกอ้างอิงในปี 2030 ไม่ใช่กับวันนี้
Scenario A
ค่อยเป็นค่อยไป: รายได้จากงานยังลดลง
ในฉากทัศน์ A บริษัทต่าง ๆ เริ่มใช้ AI ประหยัดชั่วโมงทำงานของคนลงได้ แต่ยังผลิตเพิ่มขึ้นได้ไม่มาก GDP ต่ำกว่าโลกอ้างอิงเล็กน้อย ราว 0.1–0.2% ขณะที่รายได้จากงานของคนกลุ่มเดิมลดลงราว 6–7%
- GDP
- −0.2 ถึง −0.1%
- รายได้จากงาน
- −6.7 ถึง −6.4%
- ความเหลื่อมล้ำ (Gini 0–100)
- +3.9 ถึง +4.2 จุด
ผลรวมปี 2030 เทียบโลกอ้างอิง และ Gini จากรายได้ทั้งปี
ดูกราฟรายเดือน
0 = เท่ากับโลกอ้างอิงในเดือนเดียวกัน
ทัศนะ
ในความเห็นของผม โลก A มีความเสี่ยงซ่อนอยู่เพราะโมเดลไม่มีคู่แข่งต่างชาติ ถ้าชาติอื่นเข้าถึง AI แบบโลก B แต่เราอยู่ในโลก A เราต้องมั่นใจว่าเราโตได้โดยไม่สูญเสียความสามารถในการแข่งขัน
Scenario B
AI มาเร็วและกว้าง:
GDP เพิ่ม รายได้แรงงานลด
เมื่อ AI ทำงานได้หลายประเภทและต้นทุนลดลงเร็วขึ้น บริษัทผลิตได้มากขึ้น แต่ใช้แรงงานมนุษย์น้อยลง ผลคือ GDP สูงกว่าโลกอ้างอิงราว 8.5% แต่รายได้จากงานของคนกลุ่มเดิมต่ำกว่าราว 23%
- GDP
- +8.5%
- รายได้จากงาน
- −23.3 ถึง −23.1%
- ความเหลื่อมล้ำ (Gini 0–100)
- +12.4 ถึง +12.8 จุด
ผลรวมปี 2030 เทียบโลกอ้างอิง Gini จากรายได้ทั้งปี
ดูกราฟรายเดือน
0 = เท่ากับโลกอ้างอิงในเดือนเดียวกัน
Scenario C
AI พัฒนาแบบรุนแรง: GDP พุ่ง แต่รายได้จากงานหายไปเกือบ 30%
ในฉากทัศน์ “นรก” นี้ AI ช่วยงานได้มากขึ้น โดยแทบไม่ต้องการคนมาร่วมทำงาน GDP สูงกว่าโลกอ้างอิงราว 17.5–17.6% แต่รายได้จากงานของคนกลุ่มเดิมหายไปเกือบ 30% แม้เปิดทางให้ทำงานอิสระแล้ว
- GDP
- +17.5 ถึง +17.6%
- รายได้จากงาน
- −29.8 ถึง −29.6%
- ความเหลื่อมล้ำ (Gini 0–100)
- +15.5 ถึง +15.9 จุด
ผลรวมปี 2030 เทียบโลกอ้างอิง Gini จากรายได้ทั้งปี
ดูกราฟรายเดือน
0 = เท่ากับโลกอ้างอิงในเดือนเดียวกัน
เศรษฐกิจโต...รายได้ไม่โต
แล้วเงินมันหายไปไหน?
อยู่ที่นายทุน!
กำไรจากการดำเนินงาน
+35.8 ถึง +36.1%ค่าตอบแทนลูกจ้างรวมทั้งบริษัท
−35.2 ถึง −34.7%รายได้รวมยังไม่บอกว่าคนกลุ่มเดิมยังเป็นลูกจ้างอยู่กี่คน ภาพต่อไปย่อแรงงานจำลอง 200,000 คนจากการสุ่มครั้งแรกเป็น 100 รูป แล้วนับลูกจ้าง คนทำงานอิสระ และคนที่ไม่ได้ทำงานแยกกัน แต่ละโลกใช้คนและกติกาเดิม ต่างกันที่ AI
กลับมาที่คนทำงาน
แล้วคนกลุ่มเดิมยังเป็นลูกจ้างกี่คน?
สถานะปลายปี 2030
แม้ AI คงระดับเดิม บริษัทก็ยังนำไปใช้เพิ่ม คนยังเปลี่ยนงานและเกษียณ จึงเหลือลูกจ้างราว 88% ในโลกอ้างอิง คนที่เหลืออาจทำงานอิสระหรือไม่ได้ทำงาน
B เร็วและกว้าง
56.3%
ยังเป็นลูกจ้างรับค่าจ้างจากนายจ้าง
15.8%
ทำงานอิสระรับรายได้จากลูกค้า
27.9%
ไม่ได้ทำงานรวมผู้เกษียณที่ไม่ทำงาน
43.7% ของคนกลุ่มเดิมไม่ได้เป็นลูกจ้างแล้ว
คนสีส้มรับงานหรือทำกิจการเอง รายได้ขึ้นกับลูกค้า และอาจไม่พอทดแทนรายได้จากงานเดิม
แรงงานจำลอง 200,000 คน แสดงสัดส่วนด้วย 100 รูป หนึ่งรูปแทนประมาณ 2,000 คน
1 รูป ≈ 1% ของแรงงานกลุ่มเดิม · ผลหนึ่งรอบ
มีงานอิสระแล้ว รายได้จะกลับมาเท่าเดิมไหม
เป็นลูกจ้าง
นายจ้าง ค่าจ้าง
ทำงานอิสระ
ลูกค้า รายได้จากงานหรือกิจการ
งานอิสระในภาพนี้รวมทั้งการรับงานจากลูกค้าและการทำกิจการด้วยตัวเอง คนกลุ่มนี้ยังทำงานหารายได้ แต่ไม่ได้รับค่าจ้างจากนายจ้าง ในแบบจำลอง หากมีคนหันมาทำงานอิสระมากขึ้น ขณะที่กำลังซื้อของลูกค้าไม่เพิ่ม รายได้ของแต่ละคนอาจลดลง การมีงานอิสระจึงช่วยให้มีรายได้ต่อ แต่ยังสรุปไม่ได้ว่ารายได้จะกลับมาเท่างานเดิม
จากภาพรวม มาดูแต่ละอาชีพ
อาชีพตั้งต้นต่างกัน
หนทางข้างหน้าก็ต่างกัน
ติดตามคนกลุ่มเดิมตามอาชีพที่ทำในวันแรก แล้วดูสถานะในเดือนธันวาคม 2030 ว่ายังเป็นลูกจ้าง ทำงานอิสระ หรือไม่ได้ทำงาน
ลูกจ้างงานอิสระไม่ได้ทำงาน
เส้นทาง B เร็วและกว้าง สถานะเดือนธันวาคม 2030 ขีดขาวคือสัดส่วนลูกจ้างในโลกอ้างอิง · ผลหนึ่งรอบ
งานเอกสารและธุรการ
ลดลง 36.6 จุด
ไม่ได้ทำงาน 47.5%
งานวิชาชีพและเทคนิค
ไม่ได้ทำงาน 42.3%
งานบริหารและจัดการ
ไม่ได้ทำงาน 36.4%
งานช่างและควบคุมเครื่องจักร
ไม่ได้ทำงาน 25.9%
งานพื้นฐาน
ไม่ได้ทำงาน 22.7%
งานบริการและงานขาย
ลดลง 33.8 จุด
ไม่ได้ทำงาน 20.6%
งานเกษตรและอาชีพอื่น
ไม่ได้ทำงาน 17.3%
งานช่างไม่ได้ปลอดภัยกว่าเสมอไป
คนที่เริ่มจากงานช่างและเครื่องจักร ยังเป็นลูกจ้าง
A82.4%
B57.3%
C46.8%
ใน A งานช่างยังเหลือลูกจ้างมากกว่างานธุรการชัดเจน แต่ใน C การลดลงจากโลกอ้างอิงของสองกลุ่มห่างกันเพียง 2.1 จุดเปอร์เซ็นต์ ในโมเดล AI ที่ทำงานได้กว้างขึ้นลดชั่วโมงคนในงานช่างด้วย และการผลิตที่เพิ่มขึ้นก็ชดเชยไม่พอ ชื่ออาชีพอย่างเดียวจึงบอกความเสี่ยงได้ไม่ครบครับ
เสียงานพอ ๆ กัน ทางไปต่อต่างกันมาก
ใน C สัดส่วนคนกลุ่มเดิมที่ทำงานอิสระ
บริการและงานขาย30.8%
เอกสารและธุรการ1.6%
ใน C สัดส่วนลูกจ้างงานธุรการกับงานบริการและงานขายลดจากโลกอ้างอิงใกล้กัน แต่คนที่ไม่ได้ทำงานมีถึง 54.4% ในกลุ่มแรก เทียบกับ 21.8% ในกลุ่มหลัง กลุ่มบริการเข้าสู่งานอิสระได้มากกว่าตามสมมติฐานของโมเดล การช่วยคนจึงต้องดูด้วยว่าเสียงานแล้วมีทางไปไหน
งานยังหายได้หลายวิธี
แม้กฎหมายไทยลดคนได้ยาก
บริษัทไม่ต้องเลิกจ้างก็ลดจำนวนพนักงานได้ แค่เมื่อมีคนออก ก็ไม่รับคนใหม่มาแทน
ทยอยหาย
ลองนึกถึงทีมที่ AI ช่วยทำงานเดิมได้เร็วขึ้นมาก บริษัทจึงใช้คนกับงานเดิมน้อยลง ทีละเดือนช่องว่างระหว่างสองโลกก็ค่อยๆ ถ่างออก
100 ช่อง ช่องละ 2,000 ตำแหน่งจำลอง
สีเขียวเทา บริษัทยังรับแทนไม่ทัน
งานลูกจ้างภาคเอกชนในโมเดล 100 ส่วน ส่วนละ 2,000 ตำแหน่ง จากแรงงานจำลอง 200,000 คน (ลูกจ้างภาคเอกชน ราว 4 ใน 10 ของคนทำงานไทย) รวมคนที่รับเข้ามาใหม่ ซ้าย: ถ้า AI คงอยู่ระดับ ก.ย. 2026 ขวา: ถ้า AI เก่งขึ้นเร็วและกว้าง เต็มระดับ มี.ค. 2028 (ตั้งไว้ ไม่ใช่คำพยากรณ์) ผลจำลอง ธ.ค. 2030: มีคนทำงาน ซ้าย 95.9 ขวา 58.2 จาก 100 (สุ่ม 3 รอบ 57.7–58.3) · สีเทา = ออกแล้วไม่รับแทน · สีเขียวเทา = ซ้าย 4 ที่บริษัทยังรับแทนไม่ทัน (โลกซ้ายบริษัทยังต้องการชั่วโมงงานเพิ่ม 6.1% จึงเป็นการรับคนแทนไม่ทัน ไม่ใช่การเลือกไม่รับ) · สีส้มอิฐ = เลิกจ้าง · คนออกจากงานตามปกติราว 1 ใน 100 ต่อเดือน (ตั้งไว้) · ชั่วโมงงานที่บริษัทต้องการ ธ.ค. 2030 เทียบ ต.ค. 2026: ขวา −41.7% ซ้าย +6.1% · คนเดิม 100 คนของโลกขวา ธ.ค. 2030: ลูกจ้าง 56.3 ค้าขายหรือรับงานเอง 13.8 ไม่มีงาน 24.9 เกษียณ 5.0
หายไปอย่างไร
เมื่อเพื่อนร่วมทีมลาออก บริษัทอาจส่งงานให้คนที่เหลือกับ AI แล้วไม่รับใครมาแทน ช่องสีเทาจึงสะสมมากกว่างานที่หายไปเพราะเลิกจ้าง
โลก AI เก่งเร็ว ผลจำลอง: งานลูกจ้าง 100 ส่วนของโลกขวา ต.ค. 2026 ถึง ธ.ค. 2030: มีคนทำงาน 58.2 · ออกแล้วไม่รับแทน 30.1 (สุ่ม 3 รอบ 30.1–30.4) คือคนออกตามปกติหรือเกษียณ แล้วบริษัทไม่รับใครแทน (วิธีนับ: นับคนที่รับเข้าทั้งหมดว่ามาแทนคนที่ออกตามปกติ) · เลิกจ้าง 11.7 (สุ่ม 3 รอบ 11.6–11.9; ตั้งไว้แทนกติกาคุ้มครองแรงงานที่ทำให้การเลิกจ้างช้าและมีต้นทุน: บริษัทเลิกจ้างได้ไม่เกินเดือนละ 10% ของตำแหน่งที่เกินความต้องการ ปัดเศษลง) · นับจาก 100 ของโลกขวาเอง ไม่ใช่ส่วนต่าง 38 เทียบโลกซ้าย · โลกซ้าย: ออกแล้วไม่รับแทน 4 ไม่มีการเลิกจ้าง · คนที่ถูกเลิกจ้างก็ต้องมาหางานในตลาดเดียวกันนี้
ประตูแคบลง
คนเพิ่งเข้าตลาดงานยังเข้ามาทุกเดือน แต่บริษัทเปิดรับน้อยลง ยิ่งเวลาผ่านไป คนกลุ่มนี้ในโลก B จึงได้เป็นลูกจ้างน้อยกว่าในโลกที่ AI เท่าเดิม
คนเพิ่งเข้าตลาดงาน
ผู้เข้าตลาดงานสะสม 12,695 คน
AI เท่าเดิม
85.0%เป็นลูกจ้าง 10,795 คน
B: AI เก่งเร็ว
15.0%เป็นลูกจ้าง 1,899 คน
เป็นลูกจ้างไม่ใช่ลูกจ้าง1 รูป ≈ 500 คน
ต.ค. 2026ธ.ค. 2030
ห้องและคนสีเทาเป็นภาพประกอบ สีทรายรวมคนทำงานอิสระและคนยังไม่มีงาน
สีทราย = ไม่ใช่ลูกจ้าง ทั้งคนค้าขายหรือรับงานเอง และคนยังไม่มีงาน
ผลจำลอง: คนเพิ่งเข้าตลาดงาน 100 คนที่เข้ามาหางาน ต.ค. 2026–ธ.ค. 2030 เป็นลูกจ้างใน ธ.ค. 2030: ขวา 15.0% (สุ่ม 3 รอบ 13.9–15.0) ซ้าย 85.0% นับสถานะปลายปี ไม่ใช่ว่าเคยได้งานหรือไม่ · โลกขวารับคนเข้า 26.7 คนต่อคนออก 100 คน (สุ่ม 3 รอบ 26.2–26.8) ซ้าย 92.4 ประตูแคบลง แต่ไม่ได้ปิด · ราว 9 ใน 10 ของช่องว่างงานเทียบโลกซ้ายมาจากการรับคนที่ไม่เกิดขึ้น (วิธีนับ: การเลิกจ้างมีขนาดราวหนึ่งในสามของช่องว่าง แต่ถูกหักกลบบางส่วนด้วยคนออกตามปกติและเกษียณที่น้อยลง จึงไม่ได้แปลว่าการเลิกจ้างไม่สำคัญ) · สีทราย = ไม่ได้เป็นลูกจ้างใน ธ.ค. 2030 (บางคนอาจเคยเป็นลูกจ้างมาก่อน) อาจค้าขาย รับงานเอง หรือยังไม่มีงาน ข้อมูลชุดนี้ไม่ได้แยก · สีมิ้นต์ = ลูกจ้าง · ตั้งไว้: ราวครึ่งหนึ่งของคนเข้าตลาดงานแต่ละปีเป็นคนจบใหม่
คนเพิ่งเข้าตลาดงาน
ผู้เข้าตลาดงานสะสม 12,695 คน
AI เท่าเดิม
85.0%เป็นลูกจ้าง 10,795 คน
B: AI เก่งเร็ว
15.0%เป็นลูกจ้าง 1,899 คน
เป็นลูกจ้างไม่ใช่ลูกจ้าง1 รูป ≈ 500 คน
ต.ค. 2026ธ.ค. 2030
ห้องและคนสีเทาเป็นภาพประกอบ สีทรายรวมคนทำงานอิสระและคนยังไม่มีงาน
100 ช่อง ช่องละ 2,000 ตำแหน่งจำลอง
สีเขียวเทา บริษัทยังรับแทนไม่ทัน
สีทราย = ไม่ใช่ลูกจ้าง ทั้งคนค้าขายหรือรับงานเอง และคนยังไม่มีงาน
ภาพข้างบนเป็นผลจำลอง แต่การถูกเลิกจ้างไม่เคยเงียบสำหรับคนที่เจอ และคนที่ถูกเลิกจ้างก็ต้องมาหางานในตลาดเดียวกันนี้
ทำไมงานที่หายส่วนใหญ่มาจากการไม่รับคนแทน ไม่ใช่จากการเลิกจ้าง ในโลก AI เก่งเร็ว บริษัทต้องการชั่วโมงงานของคนน้อยลงมาก แต่โมเดลไม่ให้ลดชั่วโมงของแต่ละคน การลดจึงลงที่จำนวนคน และกติกาในโมเดลให้เลิกจ้างได้ช้า ทางที่ง่ายที่สุดสำหรับบริษัทจึงเป็นการไม่รับคนแทนคนที่ออก และคนที่จ่ายคือคนข้างนอก ทั้งคนใหม่ที่ยังเข้าไม่ได้ และคนที่ออกหรือถูกเลิกจ้างแล้วยังกลับเข้าไม่ได้
ใน ธ.ค. 2030 ช่องว่างระหว่างสองโลกยังกว้างขึ้นอยู่ กติกาในโมเดลชะลอการหายได้ แต่โมเดลบอกไม่ได้ว่าหยุดได้หรือไม่
เชื่อได้แค่ไหน ตัวเลขรวมน่าจะหนักกว่าความจริง เพราะโลกนี้ตั้งไว้ว่าภายใน 18 เดือน AI ช่วยงานได้ 85% ของเวลาทำงาน และแตะงานนอกออฟฟิศเกือบเท่างานในออฟฟิศ ในโมเดลราว 3 ใน 4 ของงานลูกจ้างที่หายจึงอยู่นอกออฟฟิศ ทั้งที่งานนอกออฟฟิศหลายอย่างต้องมีหุ่นยนต์ซึ่งยังไม่แพร่หลาย และบริษัทไทยจริงลดชั่วโมงก่อนลดคนได้ แต่โมเดลลดได้แค่จำนวนคน หนักกว่าจริงเท่าไร ยังตอบไม่ได้
ส่วนที่โมเดลอาจใจดีเกินคือทางออกไปค้าขายหรือรับงานเอง ซึ่งในโมเดลรับคนได้ไม่จำกัด ของจริงไม่ง่ายขนาดนั้น โดยเฉพาะกับคนทำงานออฟฟิศ
ผลจำลอง ธ.ค. 2030 สุ่มซ้ำ 3 รอบ ตัวเลขในภาพต่างกันไม่เกิน 1.1 จาก 100 ตั้งไว้ ไม่ใช่คำพยากรณ์: AI เท่าเดิม = ความสามารถและราคา AI คงที่ระดับ ก.ย. 2026 AI เก่งเร็ว = ภายใน 18 เดือน AI ช่วยงานได้ 85% ของเวลาทำงาน และแตะงานนอกออฟฟิศเกือบเท่างานออฟฟิศ สมมติฐานชุดเดียวกันทั้งสองโลก (ตั้งไว้): คนออกจากงานตามปกติเดือนละ 1% และทุกคนที่ออกต้องผ่านช่วงไม่มีงานก่อน ไม่มีการย้ายไปงานใหม่ทันที บริษัทเลิกจ้างได้ไม่เกินเดือนละ 10% ของตำแหน่งที่เกินความต้องการ ปัดเศษลง ตั้งไว้แทนกติกาคุ้มครองแรงงานที่ทำให้การเลิกจ้างช้าและมีต้นทุน ขนาดของผลเรื่องการไม่รับคนแทนจึงขึ้นกับข้อตั้งเหล่านี้ สมมติฐานหลัก (ตั้งไว้): งาน AI ในบริษัททำได้เฉพาะคนที่ฝึกแล้ว และไม่เกินจำนวนคนที่ฝึกแล้วที่บริษัทมีอยู่ ถ้าข้อนี้ผิด ผลเรื่องการฝึกและงานใหม่อาจกลับทิศ สีเทากับสีส้มอิฐแยกตามกลไกของโมเดล ราวครึ่งหนึ่งของคนเข้าตลาดงานแต่ละปีเป็นคนจบใหม่ สีทรายในฉากประตูแคบ = คนที่ไม่ได้เป็นลูกจ้างใน ธ.ค. 2030 บางคนอาจเคยเป็นลูกจ้างมาก่อน ข้อมูลไม่แยกคนค้าขายหรือรับงานเองกับคนที่ยังไม่มีงาน ฉากออกเหมือนกัน ออกจากงานตามปกติแบบเดียวกันทั้งสองโลก ตรงกลาง = วัดจากจำนวนเดือนที่มีงานต่างกันระหว่างสองโลก ปลายแถบคือสถานะ ธ.ค. 2030 โมเดลลดชั่วโมงต่อคนไม่ได้ และคนย้ายอาชีพไม่ได้ แต่ทางค้าขายหรือรับงานเองในโมเดลรับคนได้ไม่จำกัด ซึ่งอาจใจดีเกินจริง
Let's Zoom Into Scenario B
ทุกคนไม่ได้มีแผนสำรองได้เหมือนกัน
Simulation พบว่างานอิสระอาจเป็นทางออก แต่หนทางไปสู่งานอิสระ (ที่รอด) แตกต่างกันมาก
ลูกจ้าง
งานอิสระ
ไม่ได้ทำงาน
งานเสมียน
51.3%ลูกจ้าง
1.2%งานอิสระ
47.5%ไม่ได้ทำงาน
งานบริการและงานขาย
54.5%ลูกจ้าง
24.9%งานอิสระ
20.6%ไม่ได้ทำงาน
สัดส่วนคนที่ไม่มีรายได้จากงาน
อย่างน้อย 12 เดือนติดกัน
AI คงระดับเดิม
≈ 6%6.1–6.3%B เร็วและกว้าง
≈ 27%26.4–26.8%นับจากคนตั้งต้น 200,000 คนทุกอาชีพ ติดตาม 51 เดือน โดยไม่นับช่วงเกษียณเป็นช่วงขาดรายได้ ตัวเลขใหญ่เป็นค่าเฉลี่ยจากการสุ่ม 3 รอบ และช่วงด้านล่างคือผลต่ำสุดถึงสูงสุด
รายได้จากงานนับค่าจ้างพื้นฐานและรายได้จากงานอิสระ ไม่รวมเงินโอน โบนัส และ OT
การฝึกอบรมก็แข่งกับเวลา
งานย้ายไปหา AI เร็วกว่าจะอบรมกันครบทั้งบริษัท
เมื่อคนหนึ่งฝึกใช้ AI สำเร็จ บริษัทก็ย้ายงานเพื่อนร่วมงานมาให้เขาทำ คนที่ยังรอฝึกจึงเหลืองานน้อยลง
เวลาที่ AI ใช้ก่อนถึงจุดพีคในโลก B
18 เดือน
รับคนกลุ่มเดิมเข้าฝึกครบ
ราว 60 เดือน
เมื่อ AI เต็มกำลัง คนส่วนใหญ่ยังรอเริ่มฝึก
เพิ่มที่ฝึกนิดเดียว อาจเร่งให้งานหาย ต้องฝึกให้มากพอตั้งแต่ต้น คนส่วนใหญ่จึงตามทัน
โลก B เดิมรับคนเข้าฝึกเดือนละ 1.5% ของแรงงานตั้งต้น ถ้าเพิ่มเป็น 2.25% หรือ 3% คนที่ฝึกก่อนจะทำงานกับ AI ได้มากขึ้น จนบริษัทยิ่งลดคนที่ยังรอฝึก
เมื่อเร่งเป็น 6% ต่อเดือน ตั้งแต่ต้น (เทียบทั้งประเทศราว 1 ล้านคนต่อเดือน) คนจึงฝึกทันมากพอ ผลปลายปี 2030 กลับมามีลูกจ้างมากกว่า B เดิม
เส้นสูงกว่าศูนย์ คือมีลูกจ้างมากกว่า B เดิมในเดือนเดียวกัน ต่ำกว่าศูนย์ คือมีน้อยกว่า ทุก 1 จุดคือมีลูกจ้างเพิ่มหรือลด 1 คนต่อแรงงานตั้งต้น 100 คน
โลก B เดิม รับเข้าฝึก 1.5% ต่อเดือน
AI พัฒนาถึงจุดพีค
จุดเสมอตัวโดยประมาณ
คน/เดือน
6% ต่อเดือน+2.6 ถึง +3.0 จุด
3% ต่อเดือน−0.9 ถึง −1.0 จุด
2.25% ต่อเดือน−2.1 ถึง −2.4 จุด
≈3.4–3.5% ต่อเดือน
ฐาน B รับเข้าอบรมได้เดือนละ 1.5% ของแรงงานตั้งต้น กราฟเปรียบเทียบกับโควตา 2.25%, 3% และ 6% แกนตั้งแสดงสัดส่วนลูกจ้างที่เพิ่มหรือลดจาก B เดิม (จุดเปอร์เซ็นต์) เส้นคือค่ากลางและแถบคือช่วงผลจาก 3 รอบ
| โควตารับเข้าฝึกต่อเดือน (% ของแรงงานจำลองกลุ่มเดิม) | ต่ำสุดเทียบเส้นฐาน (จุด) | เดือนที่ต่ำสุด | กลับเหนือเส้นฐาน | ธ.ค. 2030 (จุด) |
|---|---|---|---|---|
| 6% | −1.2 ถึง −1.1 | ธ.ค. 2027 ถึง ม.ค. 2028 | มิ.ย. 2028 ถึง ก.ค. 2028 | +2.6 ถึง +3.0 |
| 3% | −2.9 ถึง −2.7 | มี.ค. 2029 ถึง เม.ย. 2029 ถึง พ.ค. 2029 | ยังไม่กลับภายในปี 2030 | −0.9 ถึง −1.0 |
| 2.25% | −3.0 ถึง −2.8 | มี.ค. 2030 ถึง เม.ย. 2030 | ยังไม่กลับภายในปี 2030 | −2.1 ถึง −2.4 |
| จุดเสมอตัวของโควตา ประมาณ 3.4–3.5% ของแรงงานจำลองกลุ่มเดิมต่อเดือน (คำนวณแทรกระหว่างกรณีที่รัน ไม่ได้รันที่อัตรานี้) | ||||
ทดสอบและลองออกแบบ Policy Packages กับโลก B
นโยบายช่วยได้แต่ไม่มีเส้นทางใดเลยที่ happy กันทุกฝ่าย
ในบรรดาทางเลือกที่เราลอง ไม่มีทางไหนทำให้การจ้างงาน การได้งานของคนเพิ่งเข้าตลาดแรงงาน real income และ GDP ดีขึ้นมากได้พร้อมกัน
Policy Package ที่ช่วยได้มากที่สุด ยังปิดช่องว่างแรงงานได้ไม่ถึงครึ่ง
นับคนกลุ่มเดิมที่ยังเป็นลูกจ้างในเดือนธันวาคม 2030 เทียบกับคนตั้งต้น 200,000 คน
100 ช่องนี้แทนเฉพาะส่วนที่ B มีลูกจ้างน้อยกว่าโลกที่ AI คงเดิม แพ็กเกจช่วยปิดช่องว่างนี้ได้ราว 40%
40%
ปิดช่องว่างได้
60%
ยังเหลืออยู่
แพ็กเกจทำอะไรลูกจ้างที่เพิ่มขึ้นสิ่งที่ต้องแลก
01
แพ็กเกจที่ช่วยได้มากที่สุดรวมการให้คนตรวจงาน ชะลอการติดตั้ง AI เพิ่มยอดขายต่างประเทศ และให้เจ้าของใช้จ่ายเร็วขึ้น
ลูกจ้างที่เพิ่มขึ้น+12.8–13.2คนต่อคนตั้งต้น 100 คน
สิ่งที่ต้องแลก
GDP ต่ำกว่า B เดิมราว 3.7%
ราวครึ่งหนึ่งของผลที่ช่วยได้เป็นการซื้อเวลา
02
ให้คนตรวจและรับผิดชอบงานเดิมที่เคยใช้ 100 ชั่วโมง ต้องเหลือเวลาของคนอย่างน้อย 30 ชั่วโมง แม้ใช้ AI แล้ว
ลูกจ้างที่เพิ่มขึ้น+7.1คนต่อคนตั้งต้น 100 คน
สิ่งที่ต้องแลก
GDP ต่ำกว่า B เดิมราว 4%
03
ติดตั้ง AI ช้าลงครึ่งหนึ่งลดความเร็วที่บริษัทเริ่มติดตั้ง AI ลงครึ่งหนึ่ง บริษัทที่ยังไม่ใช้ AI จึงยังรับคนทำงาน
ลูกจ้างที่เพิ่มขึ้น+5.7–6.0คนต่อคนตั้งต้น 100 คน
สิ่งที่ต้องแลก
ซื้อเวลาราว 9 เดือน
เมื่อ AI แพร่ต่อ งานยังลดลงตามมา
04
รับเข้าอบรมราวล้านคนต่อเดือนเพิ่มที่เรียนเป็น 4 เท่าและเร่งฝึกตั้งแต่ต้น ให้ลูกจ้างใช้ AI เป็นก่อนบริษัทลดคนที่ยังไม่ได้ฝึก
ลูกจ้างที่เพิ่มขึ้น+2.6–3.0คนต่อคนตั้งต้น 100 คน
สิ่งที่ต้องแลก
ทุก 100 คนที่เพิ่งเข้าตลาดแรงงานจะมีคนได้เป็นลูกจ้างน้อยลงราว 1 คน
ข้อเสนอของผม
ก่อนเอกชนไทยใช้ AI กันเต็มสตรีม ต้องตอบให้ได้สามเรื่อง
บริษัทและรัฐมีเครื่องมือมากที่สุด ข้อเสนอจึงโฟกัสที่สองฝ่ายนี้เป็นหลัก
ใครจะฝึกอะไร
ระหว่างนั้นอยู่ด้วยรายได้อะไร
ใครรับผิดชอบ
บริษัท
ก่อนเริ่มใช้ AI ให้ตัดสินใจว่าชั่วโมงที่ได้คืนมาจากแรงงาน จะเอาไปขายอะไรเพิ่ม
ฝึกอบรมให้ทั่วถึง บนเนื้องานจริง ในเวลางาน มีนโยบาย Human-in-the-loop และวัฒนธรรมเปิดรับตำแหน่งใหม่ รวมถึงรับ interns
รัฐ
ผูกสิทธิประโยชน์ด้าน AI รวมถึงของ BOI ไว้กับเป้าหมายการจ้างงานและการอบรมในวงกว้าง
พยุงรายได้ระหว่างเปลี่ยนงาน ผูกกับการฝึกอบรมหรือการรับงานใหม่ และมีวันสิ้นสุด พร้อมทำให้ผู้ประกอบการรายเล็กทำมาหากินง่ายขึ้น
มหาวิทยาลัย
ส่งบัณฑิตออกไปพร้อมทำงานที่มี AI ช่วย สอนการใช้ AI บนงานจริงร่วมกับบริษัทพันธมิตร หรือเปิดโอกาสให้ส่งนักศึกษาฝึกงานไปยังบริษัทที่กำลังนำ AI มาใช้จริง
คนทำงาน
หมั่นเข้าฝึกอบรมตอนที่ยังมีเงินเดือน โดยหัดใช้กับงานจริง ค้นคว้าและหาช่องทางใหม่สำหรับอาชีพของคุณ
ระหว่างที่ยังมีงาน ควรลองสร้างรายได้สำรองและเช็กสิทธิประกันสังคมไว้ ถ้าเลือกได้ อย่าเพิ่งออกโดยยังไม่มีงานถัดไปรออยู่ และอย่าออกเพียงเพราะอีกที่ดู “มั่นคง” กว่า
โมเดลมักจะผิด แต่ถ้าอันนี้ถูกล่ะ?
หากเราไม่ทำอะไรเลย มีโอกาสสูงมากที่ลูกหลานเราจะไม่เคยได้รับจดหมายเลิกจ้าง เพราะไม่เคยมีแม้แต่ใครจะจ้างเขาเลย ประตูมันจะปิดเงียบๆ และสังคมจะ K-shape กว่านี้อีกหลายเท่า
ทุกวัน คนไทยหลายพันคน
เข้าสู่ตลาดแรงงาน
และหลายคนจะมายืนที่ประตูบานนี้
เรายังมีเวลาตัดสินใจและ take action
แต่เวลาเหลือไม่มาก
AI ไม่ใช่เทคโนโลยีทั่วไปที่ค่อยๆ ดิสรัป
มันดิสรัปทันทีและทั้งอุตสาหกรรมได้
เริ่มจากโจทย์ขององค์กรคุณ
คุยกับเรา ว่าจะใช้ AI และเตรียมคนในองค์กรอย่างไร
ดาวน์โหลดบทความ PDF11 หน้า · ขาวดำสำหรับพิมพ์