ใช้ AI ในงาน HR อย่างไร ให้ช่วยงานโดยไม่ตัดสินคนแทน

AI เหมาะกับการช่วย HR เตรียมข้อมูล ร่างเอกสาร สรุปประเด็น และตรวจความครบถ้วน แต่ไม่ควรเป็นผู้ตัดสินว่าใครควรได้งาน เลื่อนตำแหน่ง ถูกประเมิน หรือออกจากงานโดยไม่มีคนรับผิดชอบ ยิ่งผลลัพธ์กระทบสิทธิ์และอาชีพ ยิ่งต้องใช้ข้อมูลที่ชอบธรรม เกณฑ์ที่อธิบายได้ และการตรวจโดยมนุษย์

แยกงาน HR เป็น 3 ระดับก่อนเลือกใช้ AI

ระดับ	ตัวอย่าง	วิธีควบคุม
ช่วยเตรียมงาน	ร่างประกาศงาน สรุป FAQ สร้างโครงอบรม	ลบข้อมูลส่วนบุคคลและให้เจ้าของงานตรวจ
ช่วยวิเคราะห์	จัดกลุ่มคำถาม สรุปผลสำรวจ หาช่องว่างทักษะ	ตรวจคุณภาพข้อมูล วิธีแบ่งกลุ่ม และข้อยกเว้น
ช่วยตัดสินใจที่มีผลต่อคน	คัดผู้สมัคร ประเมินผลงาน เลื่อนตำแหน่ง ค่าตอบแทน	ต้องประเมินความเสี่ยงเฉพาะ มีผู้อนุมัติ ทดสอบผลกระทบ และมีช่องทางทบทวน

EEOC ระบุว่าเทคโนโลยี AI อาจเกี่ยวข้องกับการสรรหา คัดกรอง การติดตามผลงาน การกำหนดค่าตอบแทน การเลื่อนตำแหน่ง และการเลิกจ้าง และกฎหมายต่อต้านการเลือกปฏิบัติยังใช้กับการตัดสินใจที่มี AI เช่นเดียวกับวิธีอื่น องค์กรไทยต้องตรวจข้อกฎหมายและนโยบายที่ใช้กับตนเพิ่มเติม ไม่ควรนำตัวอย่างต่างประเทศมาใช้แทนคำแนะนำทางกฎหมาย

งานที่เริ่มได้โดยความเสี่ยงต่ำกว่า

• เปลี่ยนประกาศหรือคู่มือที่อนุมัติแล้วให้เป็น FAQ โดยไม่เพิ่มกติกาใหม่
• ร่าง Agenda, Checklist และอีเมลจากข้อมูลที่ผู้รับผิดชอบให้
• สรุปผลสำรวจแบบไม่ระบุตัวบุคคล และให้คนตรวจธีม
• สร้างสถานการณ์จำลองสำหรับอบรมจากข้อมูลสมมติที่ติดป้ายชัด
• ตรวจความสอดคล้องของรูปแบบเอกสาร ไม่ใช่ตัดสินคุณค่าของคน

ก่อนใช้ ให้ตอบ 7 คำถามนี้

1. งานนี้ช่วย “เตรียม” หรือช่วย “ตัดสิน” คน
2. ถ้าผิด ใครเสียโอกาส สิทธิ์ รายได้ หรือความเป็นส่วนตัว
3. ข้อมูลมาจากไหน เจ้าของข้อมูลรู้หรือไม่ และจำเป็นแค่ไหน
4. เครื่องมือเก็บ ใช้ หรือส่งข้อมูลต่ออย่างไร
5. เกณฑ์ใดเป็นข้อเท็จจริง เกณฑ์ใดเป็นดุลยพินิจ
6. ใครตรวจและมีอำนาจแก้ผลลัพธ์
7. คนที่ได้รับผลกระทบขอคำอธิบายหรือทบทวนได้อย่างไร

Workflow สำหรับงานร่างประกาศรับสมัคร

1. กำหนดผลลัพธ์: ต้องการประกาศที่บอกงาน ความรับผิดชอบ ทักษะจำเป็น และขั้นตอนสมัคร
2. ใช้ข้อมูลที่อนุมัติ: Job scope, ระดับตำแหน่ง สถานที่ รูปแบบงาน และนโยบายที่ HR ยืนยัน
3. แยก Must-have กับ Nice-to-have: ลดเงื่อนไขที่ไม่สัมพันธ์กับงาน
4. ให้ AI ร่าง: สั่งให้ห้ามแต่งสวัสดิการ เงินเดือน หรือเงื่อนไข
5. ตรวจภาษา: หาคำที่กีดกัน คลุมเครือ หรือสัญญาเกินจริง
6. ให้เจ้าของตำแหน่งตรวจ: ยืนยันงานจริงและเกณฑ์ประเมิน
7. HR อนุมัติ: ตรวจนโยบาย กฎหมาย ช่องทางสมัคร และการใช้ข้อมูล
8. เก็บเวอร์ชัน: บันทึกต้นทาง Prompt ฉบับแก้ และผู้อนุมัติ

งานคัดเลือกคนต้องระวังมากกว่า “ไม่ใส่เพศหรืออายุ”

ข้อมูลอื่นอาจทำหน้าที่แทนลักษณะที่ได้รับการคุ้มครองได้ เช่น พื้นที่ ประวัติการศึกษา รูปแบบภาษา หรือช่องว่างการทำงาน การลบช่องข้อมูลบางช่องจึงไม่รับประกันว่าโมเดลไม่มีผลกระทบต่างกัน ต้องตรวจทั้งข้อมูล เกณฑ์ โมเดล ขั้นตอน และผลลัพธ์ที่เกิดกับกลุ่มต่าง ๆ

Human Review ที่มีความหมาย

การมีคนกดอนุมัติท้ายระบบยังไม่พอ ผู้ตรวจต้องเห็นข้อมูลต้นทาง เข้าใจข้อจำกัด มีเวลาและอำนาจปฏิเสธคำแนะนำ และไม่ถูกบังคับให้ยอมตามคะแนนของ AI กำหนดจุดตรวจให้ชัด เช่น ความตรงกับเกณฑ์งาน หลักฐาน ข้อมูลที่ขาด ความขัดแย้ง และผลกระทบที่ต้องส่งต่อผู้เชี่ยวชาญ

ตัวอย่างการแยกข้อเท็จจริงกับข้อเสนอแนะ

ข้อความ	ประเภท	การใช้
ผู้สมัครระบุประสบการณ์ 3 ปี	ข้อมูลจากเอกสาร	ตรวจหลักฐานและความเกี่ยวข้อง
น่าจะอยู่กับองค์กรไม่นาน	การคาดเดา	ห้ามใช้โดยไม่มีหลักฐานและเกณฑ์ที่ชอบธรรม
ขาดตัวอย่างงานตามเกณฑ์ข้อ 4	ช่องว่างข้อมูล	ขอข้อมูลเพิ่มด้วยวิธีเดียวกันทุกคน
ควรเชิญสัมภาษณ์	ข้อเสนอแนะ	คนตัดสินจากเกณฑ์ครบชุดและบันทึกเหตุผล

ใช้กรอบ Govern, Map, Measure, Manage

• Govern: ระบุเจ้าของงาน เครื่องมือ สิทธิ์ นโยบาย และช่องทางร้องเรียน
• Map: เข้าใจบริบท คนที่ได้รับผลกระทบ ข้อมูล และผลเสียเมื่อผิด
• Measure: ตรวจความแม่น ความสม่ำเสมอ ผลกระทบต่างกัน Privacy และความสามารถอธิบาย
• Manage: เลือกลด หลีกเลี่ยง รับ หรือติดตามความเสี่ยง พร้อมจุดหยุดระบบ

ตัวชี้วัดที่ไม่ทำให้ HR วิ่งตามความเร็วอย่างเดียว

• เวลาที่ลดลงในงานเตรียมเอกสาร แยกจากเวลาตรวจแก้
• อัตรางานที่ผู้ตรวจส่งกลับเพราะข้อมูลผิดหรือขาด
• ความสม่ำเสมอเมื่อใช้ข้อมูลเดียวกัน
• ข้อร้องเรียน การขอทบทวน และเหตุการณ์ข้อมูล
• ผลต่างของขั้นตอน/ผลลัพธ์ระหว่างกลุ่มที่ต้องเฝ้าระวังตามกฎหมายและบริบท
• สัดส่วน Use Case ที่มี Owner, Review date และหลักฐานอนุมัติ

เมื่อไม่ควรใช้ AI

• ไม่มีสิทธิ์ใช้ข้อมูลหรือไม่รู้ว่าเครื่องมือเก็บข้อมูลอย่างไร
• ไม่มีเกณฑ์งานที่คนในองค์กรเห็นตรงกัน
• ผลผิดส่งผลสูงแต่ไม่มีวิธีทบทวนหรือเยียวยา
• ระบบให้คะแนนที่อธิบายไม่ได้และผู้ตรวจไม่มีข้อมูลต้นทาง
• ต้องพึ่งการวิเคราะห์ใบหน้า เสียง บุคลิก หรืออารมณ์ที่ไม่ได้พิสูจน์ความเหมาะสม
• ต้องการใช้ AI เพื่อหลีกเลี่ยงความรับผิดชอบของผู้บริหาร

Checklist ก่อนเปิดใช้

• Use Case, เจ้าของ และผู้ได้รับผลกระทบชัด
• ข้อมูลผ่าน Privacy/Security review ตามระดับความเสี่ยง
• ผู้ให้บริการและการตั้งค่าถูกตรวจ
• มี Baseline และชุดทดสอบที่แทนสถานการณ์จริง
• คนตรวจมีเกณฑ์ เวลา และอำนาจแก้
• มีช่องทางทบทวนและ Incident route
• กำหนดวันตรวจซ้ำเมื่อข้อมูล โมเดล หรืองานเปลี่ยน

คำถามที่พบบ่อย

ใช้ AI คัดเรซูเม่ได้หรือไม่

เป็นงานผลกระทบสูง ต้องตรวจฐานกฎหมาย เกณฑ์ ข้อมูล ผู้ให้บริการ ผลกระทบ ความสามารถอธิบาย และช่องทางทบทวนตามบริบทองค์กร ไม่ควรเปิดใช้เพราะระบบทำได้ทางเทคนิคเพียงอย่างเดียว

ให้ AI เขียนประเมินผลงานได้หรือไม่

ใช้ช่วยจัดโครงจากหลักฐานที่ผู้จัดการยืนยันได้ แต่ไม่ควรแต่งเหตุการณ์ สรุปบุคลิก หรือตัดสินคะแนนแทนผู้รับผิดชอบ ต้องเปิดให้พนักงานแก้ข้อเท็จจริงและรู้ว่าเกณฑ์ใดถูกใช้

แหล่งอ้างอิง

• EEOC: What is the EEOC’s role in AI?
• NIST AI RMF Core
• NIST AI RMF Playbook

ผู้เขียน: อาจารย์หลิง ณิชชา ทัตพงษ์พฤธา ผู้ก่อตั้ง AJLinkOfficial และบริษัท อินดิจิทัล จำกัด เรียบเรียงเรื่อง AI และ Digital Marketing ให้เชื่อมกับการตัดสินใจและการทำงานของธุรกิจ